蚁群优化(Ant Colony Optimization,简称ACO)是一种新兴的启发式模拟进化算法.人们对蚁群算法做了很多改进和扩展,在很多领域获得了广泛应用. 但是蚁群算法仍然存在一些问题,如算法收敛速度慢、搜索时间长、易陷入局部最优等缺点.由于蚁群算法在形式上不大适于解决连续优化问题,在总结和分析已有研究成果的基础上,对蚁群算法求解连续空间的优化问题进行了一些改进.主要包括: (1)提出了一种用蚁群算法解决连续函数的算法框架,并在此基础上给出了蚁群算法在优化连续和离散问题的统一描述形式.蚁群算法比较适合于解决离散问题如静态和动态组合优化问题,但是不方便解决连续优化问题.根据蚁群算法在解决连续优化问题时存在的问题,提出了一种描述方案:将连续问题离散化处理,借鉴蚁群算法解决TSP问题的思路来优化连续函数问题;同时加入变异操作,以获得种群的多样性,在一定程度上体现连续性的要求.该方案不仅从功能上实现了蚁群算法的优化连续空间问题,而且从描述形式上使蚁群算法应用于离散问题和连续问题时获得了基本统一方式. (2)为了提高蚁群算法解决连续问题的性能,提出了一种新的杂合优化算法即将蚁群算法与分布估计算法相融合,主要是针对种群的多样性.该算法不仅避免了交叉和变异操作带来的参数估计问题,而且通过计算种群个体的分布密度函数从而自适应地改变信息素浓度,从而提高了算法的优化性能. (3)介绍了问题复杂性描述的涵义、基本思想、并将其引入现代优化算法中,进一步提高算法解决复杂问题的能力.极值个数、极值大小分布和极值区域半径分布是反映问题复杂程度的几个基本标志,也是问题复杂性描述的基本因子.它们的获得在解决某些问题尤其是复杂问题如高维连续函数的优化上起到了一定引导和启发作用,为减少盲目搜索,提高搜索效率起到一定的作用.提出了一种基于问题复杂性的优化思路,通过引入问题复杂性分析的若干因子,以提高算法的搜索效率,降低重复搜索的概率,从而提高算法优化复杂问题的性能.