【基于蟻群遺傳優(yōu)化算法的圖像拼接探究7100字（論文）】

基于蟻群遺傳優(yōu)化算法的圖像拼接研究摘要蟻群遺傳優(yōu)化算法是一種啟發(fā)式全局優(yōu)化算法，該算法具有良好的全局收斂特性和組合優(yōu)化性?，F(xiàn)已被廣泛應(yīng)用于眾多科研和商業(yè)領(lǐng)域,如數(shù)字濾波設(shè)計(jì)、化工、多處理器合成、機(jī)器人、生物信息、神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)、食品安全等。作為一種高效的并行搜索算法，對(duì)其進(jìn)行理論和應(yīng)用研究具有重要的學(xué)術(shù)意義和工程價(jià)值。本文主要是關(guān)于蟻群遺傳優(yōu)化算法的研究。關(guān)鍵詞：蟻群遺傳優(yōu)化算法；研究；理論和應(yīng)用引言 2一蟻群遺傳優(yōu)化算法原理和研究現(xiàn)狀 21.1蟻群遺傳優(yōu)化算法原理 31.2蟻群遺傳優(yōu)化算法研究現(xiàn)狀和應(yīng)用 3第二章蟻群遺傳優(yōu)化算法特點(diǎn) 32.1蟻群遺傳優(yōu)化算法核心思想 42.2蟻群遺傳優(yōu)化算法特點(diǎn) 4三標(biāo)準(zhǔn)蟻群遺傳優(yōu)化算法中的優(yōu)化問題的設(shè)待求解 53.1標(biāo)準(zhǔn)蟻群遺傳優(yōu)化算法 53.2蟻群遺傳優(yōu)化算法的執(zhí)行過程 53.3蟻群遺傳優(yōu)化算法的常用變體 7四蟻群遺傳優(yōu)化算法的參數(shù)控制研究 84.1控制參數(shù) 84.2各個(gè)參數(shù)對(duì)該算法的性能的影響 94.3既有的改進(jìn)蟻群遺傳優(yōu)化算法 10引言針對(duì)多元函數(shù)極值求解此類不可微、多極值的優(yōu)化問題，給出了此類問題的一種新的容易實(shí)現(xiàn)且計(jì)算成功率高的有效算法——蟻群遺傳優(yōu)化算法來搜索最優(yōu)解。在理論上，蟻群遺傳優(yōu)化算法是一種新興的蟻群遺傳優(yōu)化計(jì)算技術(shù)。它是RainerStorn和KennethPrice等人于1995年提出的，最初的設(shè)想是用于解決切比雪夫多項(xiàng)式問題,后來發(fā)現(xiàn)也是解決復(fù)雜優(yōu)化問題的有效技術(shù)。和微粒群算法(ParticleSwarmOptimization,PSO)一樣，都是基于群體智能理論的優(yōu)化算法，通過群體內(nèi)個(gè)體間的合作與競(jìng)爭(zhēng)產(chǎn)生的群體智能指導(dǎo)優(yōu)化搜索。但相比于蟻群遺傳優(yōu)化算法，保留了基于種群的全局搜索策略，采用實(shí)數(shù)編碼、基于的簡(jiǎn)單變異操作和一對(duì)一的競(jìng)爭(zhēng)生存策略，降低了遺傳操作的復(fù)雜性。同時(shí)，特有的記憶能力使其可以動(dòng)態(tài)跟蹤當(dāng)前的搜索情況，以調(diào)整其搜索策略，且不需要借助問題的特征信息，適于求解一些利用常規(guī)的數(shù)學(xué)規(guī)劃方法所無法求解的復(fù)雜環(huán)境中的優(yōu)化問題。因此，作為一種高效的并行搜索算法，對(duì)其進(jìn)行理論和應(yīng)用研究具有重要的學(xué)術(shù)意義和工程價(jià)值。在現(xiàn)實(shí)中，蟻群遺傳優(yōu)化算法是一種基于群體差異的啟發(fā)式全局優(yōu)化算法，該算法具有良好的全局收斂特性和魯棒性?，F(xiàn)已被廣泛應(yīng)用于眾多科研和商業(yè)領(lǐng)域,如數(shù)字濾波設(shè)計(jì)、化工、多處理器合成、機(jī)器人、生物信息、神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)、食品安全等。一蟻群遺傳優(yōu)化算法原理和研究現(xiàn)狀1.1蟻群遺傳優(yōu)化算法原理蟻群算法最開始應(yīng)用于TSP問題，獲得了成功，后來又廣泛應(yīng)用于各類組合優(yōu)化問題。但是該算法理論基礎(chǔ)較薄弱，算法收斂性都沒有得到證明，很多參數(shù)的設(shè)定也僅靠經(jīng)驗(yàn)，實(shí)際效果也一般，使用中也常常早熟。遺傳算法是比較成熟的算法，它的全局尋優(yōu)能力很強(qiáng)，能夠很快地趨近較優(yōu)解。主要應(yīng)用于解決組合優(yōu)化的NP問題。這三種算法可以相互融合，例如GA可以優(yōu)化神經(jīng)網(wǎng)絡(luò)初始權(quán)值，防止神經(jīng)網(wǎng)絡(luò)訓(xùn)練陷入局部極小且加快收斂速度。蟻群算法也可用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)，但一定要使用優(yōu)化后的蟻群算法，如最大-最小蟻群算法和帶精英策略。蟻群遺傳優(yōu)化算法原理：蟻群遺傳優(yōu)化算法由NP(種群規(guī)模)個(gè)D(決策變量個(gè)數(shù))維參數(shù)矢量(i=1，2，…，NP；j=1，2，…，D)在搜索空間進(jìn)行并行直接的搜索。的基本操作包括變異(Mutation、交叉(Crossover)和選擇(Selection)三種操作。隨機(jī)選擇兩個(gè)不同的個(gè)體矢量相減生成矢量，將矢量賦予權(quán)值之后加到第三個(gè)隨機(jī)選擇的個(gè)體矢量上，生成變異矢量，該操作稱為變異。變異矢量與目標(biāo)矢量進(jìn)行參數(shù)混合，生成試驗(yàn)矢量，這一過程稱之為交叉。如果試驗(yàn)矢量的適應(yīng)度優(yōu)于目標(biāo)矢量的適應(yīng)度，則用試驗(yàn)矢量取代目標(biāo)矢量而形成下一代，該操作稱為選擇。在每一代的蟻群遺傳優(yōu)化過程中，每一個(gè)體矢量作為目標(biāo)矢量一次。初始種群是在搜索空間隨機(jī)生成的，且要求初始種群覆蓋整個(gè)搜索空間。初始群體一般采用均勻分布的隨機(jī)函數(shù)來產(chǎn)生。1.2蟻群遺傳優(yōu)化算法研究現(xiàn)狀和應(yīng)用目前，蟻群遺傳優(yōu)化算法已引起了人們的廣泛關(guān)注，在國外的各研究領(lǐng)域得到了廣泛的應(yīng)用，已成為蟻群遺傳優(yōu)化算法(EA)的一個(gè)重要分支。J.Vestertron等人將與微粒群優(yōu)化算法(ParticleSwarmOptimization,PSO)和其它蟻群遺傳優(yōu)化算法用34個(gè)廣泛應(yīng)用的BenchmarkProblems進(jìn)行了深入的比較研究，實(shí)驗(yàn)結(jié)果表明，的性能優(yōu)于PSO和其它蟻群遺傳優(yōu)化算法。但目前，在國內(nèi)的研究和應(yīng)用較少。近年來，在約束優(yōu)化計(jì)算，模糊控制器優(yōu)化設(shè)計(jì)，神經(jīng)網(wǎng)絡(luò)優(yōu)化，濾波器設(shè)計(jì)等方面得到了廣泛的應(yīng)用。此外，還在線性系統(tǒng)的優(yōu)化、多傳感器信息融合、系統(tǒng)建模，集成電路設(shè)計(jì)等問題中得到了應(yīng)用。是根據(jù)父代個(gè)體間的矢量進(jìn)行變異、交叉和選擇操作，與其它蟻群遺傳優(yōu)化算法(如遺傳算法)一樣容易限入局部最優(yōu)，存在早熟收斂現(xiàn)象。目前的解決方法主要是增加種群的規(guī)模，但這樣會(huì)增加算法的運(yùn)算量，也不能從根本上克服早熟收斂的問題。因而進(jìn)一步對(duì)蟻群遺傳優(yōu)化算法進(jìn)行分析和改進(jìn)，提高全局搜索能力，加快收斂速度，提高算法的魯棒性，使之適合于各種實(shí)際工程優(yōu)化問題，仍是值得進(jìn)一步研究的內(nèi)容。第二章蟻群遺傳優(yōu)化算法特點(diǎn)2.1蟻群遺傳優(yōu)化算法核心思想自然界的生物體在遺傳、選擇和變異等一系列作用下，優(yōu)勝劣汰，不斷地由低級(jí)到高級(jí)蟻群遺傳優(yōu)化和發(fā)展，人們將這種適者生存的蟻群遺傳優(yōu)化規(guī)律的實(shí)質(zhì)加以形式化而構(gòu)成一種優(yōu)化算法,即蟻群遺傳優(yōu)化算法。蟻群遺傳優(yōu)化算法是一系列的搜索技術(shù)，包括遺傳算法、蟻群遺傳優(yōu)化編程、蟻群遺傳優(yōu)化策略、遺傳編程等，它們?cè)诤瘮?shù)優(yōu)化、模式識(shí)別、機(jī)器學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)訓(xùn)練、智能控制等眾多領(lǐng)域都有著廣泛的應(yīng)用。盡管蟻群遺傳優(yōu)化算法有很多變化，但它們的核心思想都是起源于達(dá)爾文的自然選擇學(xué)說，包括過度繁殖、生存競(jìng)爭(zhēng)、遺傳和變異與適者生存。為了求解切比雪夫多項(xiàng)式問題，RainerStorn和KennethPrice根據(jù)這種蟻群遺傳優(yōu)化思想于1995年提出了蟻群遺傳優(yōu)化算法。它是一種采用實(shí)數(shù)編碼、在連續(xù)空間中進(jìn)行隨機(jī)搜索、基于群體迭代的新興蟻群遺傳優(yōu)化算法，具有結(jié)構(gòu)簡(jiǎn)單性能高效的特點(diǎn)。隨著對(duì)算法的深入研究，發(fā)現(xiàn)算法也是解決復(fù)雜優(yōu)化問題的有效技術(shù)。是基于群體智能理論、通過群體內(nèi)個(gè)體間的合作與競(jìng)爭(zhēng)產(chǎn)生的群體智能來指導(dǎo)優(yōu)化搜索的優(yōu)化算法。不僅具有記憶個(gè)體最優(yōu)解和種群內(nèi)信息共享以及較強(qiáng)的全局搜索收斂能力和魯棒性等特點(diǎn)，而且不需要借助問題的特征信息，不受問題性質(zhì)的限制，有效地求解復(fù)雜環(huán)境中的優(yōu)化問題。與確定性算法相比，算法具有普遍的適應(yīng)性，已成為一種求解非線性、不可微、多極值和高維的復(fù)雜函數(shù)的一種有效和魯棒的方法。從工程角度看蟻群遺傳優(yōu)化算法是一種自適應(yīng)的迭代尋優(yōu)過程，從數(shù)學(xué)角度看它是一種隨機(jī)搜索算法。2.2蟻群遺傳優(yōu)化算法特點(diǎn)算法基本思想是基于達(dá)爾文生物蟻群遺傳優(yōu)化論中適者生存的競(jìng)爭(zhēng)策略，根據(jù)父代個(gè)體間的矢量進(jìn)行變異（Mutation）、交叉（Crossover）和選擇（Selection）操作，即從某一隨機(jī)產(chǎn)生的初始種群開始，隨機(jī)選擇種群中任意兩個(gè)不同的個(gè)體，然后將它們的差向量加權(quán)后按一定的規(guī)則與第三個(gè)個(gè)體向量求和來產(chǎn)生新個(gè)體，這一過程被稱為“變異”。然后將新個(gè)體的參數(shù)與當(dāng)代種群中某個(gè)預(yù)先確定的目標(biāo)個(gè)體的參數(shù)按照一定的規(guī)則來產(chǎn)生試驗(yàn)個(gè)體向量，該操作稱為“交叉”。如果試驗(yàn)個(gè)體的適應(yīng)度值優(yōu)于與之相比較的個(gè)體的適應(yīng)度值，則在下一代中就用試驗(yàn)個(gè)體取代目標(biāo)個(gè)體，否則目標(biāo)個(gè)體仍保存下來，此過程稱為“選擇”。這樣種群通過不斷地迭代計(jì)算，淘汰劣質(zhì)個(gè)體，保留優(yōu)良個(gè)體，引導(dǎo)搜索過程向最優(yōu)解逼近。在每一代的蟻群遺傳優(yōu)化過程中，每一個(gè)個(gè)體向量都必須作為目標(biāo)個(gè)體向量一次，以便在下一代中出現(xiàn)相同個(gè)競(jìng)爭(zhēng)者。與傳統(tǒng)的優(yōu)化算法相比，蟻群遺傳優(yōu)化算法具有以下特點(diǎn)：⑴簡(jiǎn)單的算法原理，容易實(shí)現(xiàn)，不需要確定性的規(guī)則，采用概率轉(zhuǎn)移規(guī)則。⑵具有記憶個(gè)體最優(yōu)解的能力和極強(qiáng)的群體搜索能力；⑶蟻群遺傳優(yōu)化算法具有內(nèi)在的并行性，可協(xié)同搜索，具有利用個(gè)體局部信息和群體全局信息指導(dǎo)算法進(jìn)一步搜索的能力，在同樣精度要求下，算法具有更快的收斂速度；⑷算法操作十分簡(jiǎn)單，易編程實(shí)現(xiàn)，尤其擅長(zhǎng)求解高維的函數(shù)優(yōu)化問題；⑸算法通用，可直接對(duì)結(jié)構(gòu)對(duì)象進(jìn)行操作，不依賴于問題信息，不存在對(duì)目標(biāo)函數(shù)的限定。三標(biāo)準(zhǔn)蟻群遺傳優(yōu)化算法中的優(yōu)化問題的設(shè)待求解3.1標(biāo)準(zhǔn)蟻群遺傳優(yōu)化算法蟻群遺傳優(yōu)化算法的操作流程與其他蟻群遺傳優(yōu)化算法類似，包括群體初始化、個(gè)體適應(yīng)度值評(píng)價(jià)、通過交叉和變異算子對(duì)種群進(jìn)行蟻群遺傳優(yōu)化操作等?；舅惴ㄉ婕暗轿鍌€(gè)控制參數(shù)，分別是種群規(guī)模N，變異算子F及交叉概率因子CR，最大迭代次數(shù)T和終止條件。算法通常包括四個(gè)環(huán)節(jié)：初始化、變異、交叉和選擇。標(biāo)準(zhǔn)蟻群遺傳優(yōu)化算法，即簡(jiǎn)單蟻群遺傳優(yōu)化算法(SimpleDifferentialEvolutionAlgorithm)采用的選擇、交叉、變異這三種基本操作是算法的基礎(chǔ)。其詳細(xì)實(shí)現(xiàn)過程如下：3.2蟻群遺傳優(yōu)化算法的執(zhí)行過程算法的數(shù)學(xué)描述如下。設(shè)待求解的優(yōu)化問題為，則算法為:步驟1：編碼及初始化：算法采用實(shí)數(shù)編碼，假設(shè)種群規(guī)模為N,所求問題的自變量有D維，指定一個(gè)最大迭代次數(shù)T，變異因子F∈[0,2],交叉概率因子CR∈[0,1],當(dāng)前蟻群遺傳優(yōu)化代數(shù)為t;則第t代種群中第i個(gè)個(gè)體Xi,t表示如下變量的指定搜索空間范圍為：，上式中每個(gè)參數(shù),jitx在指定的值域minmax[X,X]內(nèi)隨機(jī)地產(chǎn)生，其值域表示如下：初始化種群往往在該值域內(nèi)隨機(jī)地產(chǎn)生。令蟻群遺傳優(yōu)化代數(shù)t=0，在minmax[X,X]范圍內(nèi)隨機(jī)產(chǎn)生N個(gè)個(gè)體，構(gòu)成初始種群步驟2：個(gè)體評(píng)價(jià):計(jì)算每個(gè)個(gè)體Xi,t的適應(yīng)度函數(shù)值,fXit；步驟3：變異操作：對(duì)種群中每個(gè)個(gè)體Xi,t，隨機(jī)生成三個(gè)互不相同的整數(shù)123r,r,r∈{1,2,,N}，且要求123r,r,r,i四個(gè)數(shù)互不相同，然后按式生成變異個(gè)體Vi,t若Vi,t不在minmax[X,X]范圍內(nèi)，則令,minmaxmin(0,1)()itV=X+rand?X?X，其中rand(0,1)為(0,1)內(nèi)均勻分布的隨機(jī)數(shù)。變異操作是蟻群遺傳優(yōu)化算法中最重要的操作，這也是算子名稱的由來。步驟4交叉操作：交叉操作按每個(gè)個(gè)體向量的分量進(jìn)行。將變異產(chǎn)生的變異個(gè)體與目標(biāo)個(gè)體按照下面的公式進(jìn)行交叉操作，具體執(zhí)行過程如下：首先生成一個(gè)隨機(jī)整數(shù)irandn，然后對(duì)變異個(gè)體i,tV和種群的目標(biāo)個(gè)體Xi,t按（2.4）式得到試驗(yàn)個(gè)體12,,,,(,,,),1,2,,DititititU=uuui=N,為了保證個(gè)體的蟻群遺傳優(yōu)化，首先通過隨機(jī)選擇使i,tU至少有一位由i,tV貢獻(xiàn)，其它位由交叉概率CR來決定具體哪位由Xi,t貢獻(xiàn)哪位由i,tV貢獻(xiàn)：式中rand，是位于[[0,1]間的均勻分布的隨機(jī)實(shí)數(shù)，而randn，是屬于{1,2,}}-,D}內(nèi)隨機(jī)產(chǎn)生的維數(shù)索引號(hào)，其保證了川，至少有一位由變異向量側(cè)，貢獻(xiàn)。此處CR為交叉概率因子，也是位于[[0,1]間的一個(gè)常數(shù)。蟻群遺傳優(yōu)化算法引入交叉操作是為了增加種群的多樣性。步驟5選擇操作:選擇操作采用的是“貪婪選擇”策略，經(jīng)變異以及交叉操作后生成的候選個(gè)體Ua.t與目標(biāo)個(gè)體戈.t進(jìn)行競(jìng)爭(zhēng):上式中f是適應(yīng)度函數(shù)替換原來的第t代個(gè)體，在隊(duì).t和戈.t中選擇適應(yīng)度函數(shù)值最優(yōu)者作為第t+1代個(gè)體并使迭代計(jì)數(shù)器t增加1。需要指出的是式(2.5適合最小化問題的處理。步驟6終止檢驗(yàn)：如果種群Xi,t滿足終止條件或達(dá)到最大迭代次數(shù)T，則輸出最優(yōu)解；否則轉(zhuǎn)步2.下面給出標(biāo)準(zhǔn)蟻群遺傳優(yōu)化算法流程圖，見圖2-1：圖：標(biāo)準(zhǔn)蟻群遺傳優(yōu)化算法流程3.3蟻群遺傳優(yōu)化算法的常用變體蟻群遺傳優(yōu)化算法采用不同的變異、交叉和選擇策略，能夠得到蟻群遺傳優(yōu)化算法的不同變體。前面介紹的算法原理是蟻群遺傳優(yōu)化算法的一種基本形式，RainerStorn和KennethPrice提出了多種蟻群遺傳優(yōu)化算法的變化形式，為了表示方便，統(tǒng)一采用/x/y/z的形式來描述。x表示變異操作中被變異的個(gè)體矢量的選擇方式，x可以為“rand”（表示從種群中隨機(jī)選擇的一個(gè)個(gè)體）或“best”（表示當(dāng)前種群中適應(yīng)值最優(yōu)的個(gè)體）。y表示所用矢量的數(shù)目。z表示交叉操作的方式，通常采用伯努力（Binomail）實(shí)驗(yàn)方式來進(jìn)行交叉操作，用“bin”表示。按照上述規(guī)定，則前述蟻群遺傳優(yōu)化算法可表示為/rand/1/bin。為了使蟻群遺傳優(yōu)化算法的收斂速度得到提高，學(xué)者們針對(duì)蟻群遺傳優(yōu)化算法的核心部分——變異向量的構(gòu)造形式提出了多種的擴(kuò)展模式，以適應(yīng)更廣泛的優(yōu)化問題。根據(jù)向量構(gòu)造方式的不同，RainerStorn和KennethPrice提出的變化方式如下:常用的變異操作算子:①/best/1/bin,其中:②/rand/2/bin,,其中:③/best/2/bin,其中:④/rand-to-best/1/bin,其中:其中1234i,r,r,r,r互不相同，即1234r,r,r,r∈{1,2,,N}是伴隨目標(biāo)個(gè)體Xi,t產(chǎn)生的互不相等的隨機(jī)整數(shù)，其各自代表種群中不同個(gè)體的索引號(hào)，且不等于目標(biāo)個(gè)體的索引號(hào)i。best,tX為第t代種群中的最優(yōu)個(gè)體，而變異率F∈[0,2]是用來控制向量的縮放步長(zhǎng)。各種變化方式有各自的特點(diǎn)，但RainerStorn和KennethPrice經(jīng)過大量實(shí)驗(yàn)研究表明，/rand/1/bin（式2.3）和/best/2/bin（式2.8）的性能較其他方式要好，在實(shí)際工程設(shè)計(jì)過程中也應(yīng)用最多。還有在交叉操作中利用指數(shù)交叉的情況，如/rand/1/exp，/best/1/exp，/rand-to-best/1/exp，/best/2/exp等。這幾種形式的變異過程與上述相應(yīng)方式相同，只是交叉操作不同。四蟻群遺傳優(yōu)化算法圖像拼接的參數(shù)控制研究4.1圖像拼接一般情況下，遺傳和蟻群的混合分為兩種情況，一種是以遺傳為主題的算法，另一種是以蟻群算法為主體的算法，博主正在做Web服務(wù)選擇的問題，所以想到了使用這種混合的算法去解決打過摸得Web服務(wù)選擇問題，因?yàn)橄伻核惴ㄖ械腶lpha、beta和rou直接影響到轉(zhuǎn)移galveston和下一步贏得情況，所以這三個(gè)參數(shù)的選取顯得至關(guān)重要，在傳統(tǒng)的蟻群算法中，這三個(gè)參數(shù)的選區(qū)是依照經(jīng)驗(yàn)的，沒有什么精確地方法去確定這三個(gè)值，博主使用遺傳算法去優(yōu)化者三個(gè)參數(shù)，取得了Web服務(wù)選擇問題中的優(yōu)良效果，下面是博主的算法源程序和效果對(duì)比圖：4.2控制參數(shù)從上文對(duì)標(biāo)準(zhǔn)蟻群遺傳優(yōu)化算法的介紹可知，該算法參數(shù)較少，共有五個(gè)控制參數(shù)：種群大小N，變異因子F，交叉概率因子CR，最大迭代次數(shù)T及終止條件。這也是蟻群遺傳優(yōu)化算法深受人們喜愛的原因。算法的性能發(fā)揮極大地依賴于算法中操作算子的選取和相關(guān)參數(shù)的設(shè)置，為此針對(duì)具體問題需要通過反復(fù)試驗(yàn)來確定。Storn等在文獻(xiàn)中指出種群N的大小合適范圍位于5D和10D（D代表問題的維數(shù)）之間，F(xiàn)值的初始值設(shè)置為0.5為宜，而F的取值位于[0.4,1]之間時(shí)優(yōu)化效果較為顯著。Qin等[28]提出了一種自適應(yīng)的蟻群遺傳優(yōu)化算法SA，其在一定程度上改善了變異操作策略的選取及相關(guān)參數(shù)的設(shè)置問題。該算法的思想是：通過建立由算法高效的變異操作算子來構(gòu)成變異操作算子池，并且利用對(duì)蟻群遺傳優(yōu)化過程中經(jīng)驗(yàn)知識(shí)的概率學(xué)習(xí)，進(jìn)而自適應(yīng)地確定針對(duì)具體個(gè)體所采用的變異操作算子。通常這些控制參數(shù)會(huì)影響算法搜尋最優(yōu)解的收斂速度，為保證算法的性能和收斂速度，針對(duì)具體問題往往需要進(jìn)行特定設(shè)置。4.3各個(gè)參數(shù)對(duì)該算法的性能的影響各個(gè)參數(shù)對(duì)該算法的性能的影響分別為：（1）種群大小N對(duì)算法性能的影響：群體規(guī)模N一般介于5?D與10?D之間，但不能少于4，否則不能進(jìn)行變異操作。N越大，種群多樣性越強(qiáng)，大規(guī)模的種群必然會(huì)增加種群中個(gè)體的多樣性，相對(duì)地也擴(kuò)大了尋優(yōu)空間的范圍，提高獲得最優(yōu)解概率；但大規(guī)模的種群必然會(huì)加大適應(yīng)度函數(shù)的評(píng)價(jià)次數(shù)，從而提高算法運(yùn)行的時(shí)間復(fù)雜度；而種群規(guī)模過小則使算法收斂速度加快，導(dǎo)致尋優(yōu)空間過小，易導(dǎo)致局部最優(yōu)或因算法早熟而使蟻群遺傳優(yōu)化停止。（2）變異因子F對(duì)算法的影響：變異因子F是控制種群多樣性和收斂性的重要參數(shù)，它決定偏差向量的放大比例，一般在[0,2]之間取值。F取值較小導(dǎo)致群體差異度減小，會(huì)加速算法收斂，同樣也會(huì)導(dǎo)致算法局部收斂，而較大的F值則會(huì)加大算法跳出局部最優(yōu)解的可能性，但是會(huì)導(dǎo)致收斂速度過慢。因此F值的最佳設(shè)置與具體問題有關(guān)，F(xiàn)有規(guī)律的動(dòng)態(tài)可大可小的改變更有利于問題求解。（3）交叉概率CR對(duì)算法的影響：交叉因子CR可控制個(gè)體參數(shù)的各維對(duì)交叉的參與程度，以及全局與局部搜索能力的平衡，一般在[0,1]之間取值。不同的CR值設(shè)置對(duì)所求問題必然會(huì)產(chǎn)生較大的差異，對(duì)不同的問題應(yīng)采用不同的CR設(shè)置。交叉因子CR越小，種群多樣性減小，容易過早收斂，CR越大，收斂速度越大，但過大可能會(huì)因擾動(dòng)大于群體的差異度導(dǎo)致收斂變慢。根據(jù)文獻(xiàn)一般應(yīng)選在0.6到0.9之間。通常而言，比如多模態(tài)問題，可對(duì)CR設(shè)置較小的值即可取得較優(yōu)的尋優(yōu)結(jié)果；而對(duì)于單一極值點(diǎn)的優(yōu)化問題，設(shè)置較大的CR所得的優(yōu)化效果較為突出。（4）最大迭代次數(shù)T對(duì)算法的影響：最大迭代次數(shù)一般作為算法運(yùn)行結(jié)束條件的一個(gè)參數(shù)，表示算法運(yùn)行到指定的蟻群遺傳優(yōu)化代數(shù)后就停止運(yùn)行。迭代次數(shù)越大，最優(yōu)解越精確，但是計(jì)算時(shí)間會(huì)更長(zhǎng)，需要根據(jù)具體問題而定。一般取值范圍為100～200。終止條件對(duì)算法的影響：除最大蟻群遺傳優(yōu)化代數(shù)可作為的終止條件，還需要其它判定準(zhǔn)則。一般當(dāng)目標(biāo)函數(shù)值小于閾值時(shí)程序終止，閾值常選為610?。這幾個(gè)參數(shù)對(duì)蟻群遺傳優(yōu)化算法的求解結(jié)果和求解效率都有一定的影響，因此要根據(jù)具體問題合理地設(shè)定這些參數(shù)才能獲得較好的尋優(yōu)效果。通?？赏ㄟ^在對(duì)不同值做一些試驗(yàn)之后利用試驗(yàn)結(jié)果誤差找到各參數(shù)的合適值。4.4既有的改進(jìn)蟻群遺傳優(yōu)化算法Das等提出算法的兩種改進(jìn)策略：第一，首先設(shè)定變異算子F的最大值與最小值，該策略使得改進(jìn)的算法在開始時(shí)具有較大的F值，此時(shí)具有較強(qiáng)的全局搜索能力，其次讓變異算子F隨著迭代次數(shù)的增大而線性遞減，使得蟻群遺傳優(yōu)化的后半部分擁有足夠的局部搜索能力；第二，利用在取值范圍(0.5,1)隨機(jī)生成的變異因子F的值，來改進(jìn)蟻群遺傳優(yōu)化算法。Das等人還通過在取值范圍(0.5,1.5)內(nèi)生成滿足正態(tài)分布的隨機(jī)數(shù)作為變異率F的值來提高蟻群遺傳優(yōu)化算法的性能。參考文獻(xiàn)[1]MichalewiczZ,JanikowCZ,KrawcazykJB.Amodifiedgeneticalgorithmforoptimalcontrolproblems[J].ComputerMathAppli,1992,23(12):83-94.[2]STORNR,PRICEK.Differentialevolution:asimpleandefficientadaptiveschemeforglobaloptimizationovercontinuousspaces[EB/OL].2010,10,25.http://www.IcsiB./storn/TR-95-012.pdf.[3]STORNR.Systemsignbyconstraintadaptationanddifferentialevolution[J].IEEE.TransactionsonEvolutionaryComputation,1999,3(1):22-24.[4]THOMSENR.Flexibleliganddockingusingdifferentialevolution[C]//Proceedingsofthe2003IEEECongressonEvolution.Computation.Canberra,Aust