[发明专利]基于多维标度法和copula函数的蚁群算法设计方法

说明书

本发明公开了一种基于多维标度法和copula函数的蚁群算法设计方法，从而实现提高算法精度，优化算法性能的优点。首先，利用多维标度法，将原有的数据映射至低维空间，从而降低解分量之间的冗余相关性，降低计算复杂度，构造优化的搜索算法。然后使用基于copula函数的分布估计算法，在低维空间中构造出新的解存档，具体分为两个部分，先通过正态copula函数构造出分量之间的相依关系，再通过高斯采样方法抽样得到一个新的解分量，利用联合分布和条件分布函数采样得到其他解分量。最后，将低维空间中获得的解存档作逆映射，得到高维空间中的解存档。实验结果表明，本发明提出的设计方法能够提高算法的性能。

技术领域：

本发明涉及一种基于多维标度法和copula函数的蚁群算法设计方法，能够实现提高算法精度和降低算法的时间和空间复杂度的优点，属于智能优化算法技术领域。

背景技术：

蚁群算法是一类比较典型和重要的元启发式算法，最早由Dorigo在1991年提出，算法主要针对自然界的蚂蚁觅食做了经典实验，通过将真实蚂蚁的行为模型化，得出了人工蚂蚁解决多目标决策问题的思路，并且Dorigo等人开创性地提出了蚁群算法，蚁群算法的本质是一个复杂的智能系统——蚂蚁系统(AS)。

蚁群算法是一种基于蚂蚁种群寻优的启发式搜索算法。蚁群算法不仅能够实现智能搜索、全局优化的目的，而且具有鲁棒性、正反馈、分布式计算、易与其它算法结合等特点。目前蚁群算法被广泛应用于旅行商问题、资源二次分配问题等经典优化问题，得到了较好的效果。在动态环境下，蚁群算法也表现出高度的灵活性和健壮性，如在集成电路布线设计、电信路山控制、交通建模及规划、电力系统优化及故障分析等方面都被认为是目前较好的算法之一。

MarcoDorigo和ThomasStutzle等针对蚁群算法的不足之处做了大量的研究工作，为能够更有效地解决不同领域不同特征的优化问题，提出了精英蚁群优化算法、最大最小蚂蚁系统等多种改进策略[1](参见ManiezzoV，GambardellaLM，LuigiFD.Antcolonyoptimization. NewOptimizationTechniquesinEngineering[M].SpringerBerlinHeidelberg，2004：422-423.)。修正蚁群算法(ACS)是一种采用更新局部信息素策略的蚁群算法，能够提高未经访问的路径被选的概率和加强算法的全局搜索能力；应用空间全局信息素更新策略，加强已获得局部最优路径上的信息素的浓度，以致于能够增强算法的正反馈作用以及加快算法的收敛速度 [2]参见

DorigoM，GambardellaLM.Antcolonysystem：Acooperativelearningapproachtothetravelingsal esmanproblem[J].IEEETransonEvolutionaryComputation，1997，1(1)：53-56.)。

郭苹根据蚁群算法的全局智能化搜索能力以及自适应性，提出了一种对海面图像特征提取的新型蚁群算法，该算法首先是把蚂蚁群体按不同的限制条件分为多个不同种类的蚁群，然后让这些不同种类的蚂蚁群体寻找到其相对应的觅食区(不同特征的数据类聚中心) 的觅食过程，能够提高蚁群算法对海面图像特征的识别率[3](郭苹.蚁群算法在海面图像识别系统中的应用[J].舰船科学技术，2015(4)：215-218.)。LuC等提出了将蚁群算法应用于图像分割中，该算法基于数字图像的离散性以及蚁群算法的模糊聚类能力，引入基于计学和人工参与的方法查找聚类中心，对彩色图像分割具有较好的效果[4](参见LuC，YangX，QiS. Colorimagesegmentationbasedontheantcolonyalgorithm[C].InternationalCongressonImageandSi gnalProcessing.2015：438-442.)。陶利民等设计了一种加快算法收敛速度和缩短搜索时间的近邻路径选择策略[5](参见陶利民，郭俊恩.带有近邻选择策略和遗传算子的蚁群算法[J].微电子学与计算机，2010，27(4)：179-181.)。

发明内容：