蚁群算法和蛙跳算法是较为典型的智能优化算法,收敛速度快,全局寻优能力强,易于实现,但局部搜索能力相对较弱,易早熟。本文主要研究了蚁群算法和蛙跳算法的改进、混合以及应用。具体内容如下:1.针对蚁群算法易早熟和局部搜索能力欠佳的缺陷,将迭代局部搜索策略引入蚁群算法。新算法的基本思想是:从初始解出发,用蚁群算法进行局部搜索,如陷入局部最优,则产生一个摄动解作为新的初始解再进行局部搜索,根据接受规则决定进入下一步迭代的局部最优解。将改进算法应用于二维路径规划,数值实验表明,这种改进算法比基本蚁群算法有更佳的局部收敛性,可获得比基本蚁群算法的结果更优的路径。2.针对蛙跳算法进化后期种群多样性下降,易陷于局部最优解的缺陷,提出了一种自适应变异蛙跳算法。其基本思想是:根据函数变化率建立一种自适应变异选择机制;当函数变化率较大时,采用高斯变异提高算法的局部收敛能力;当函数变化率较小即算法可能陷入局部收敛时,用柯西变异促使算法跳出局部最优。数值实验表明,这种自适应变异选择机制不仅提高了蛙跳算法的局部收敛性,而且能在很大程度上避免早熟现象。3.根据蚁群算法和蛙跳算法特点,给出了一种蚁群和蛙跳混合算法,基本思想是:应用蚁群算法求出阶段最优解,然后将其作为初始青蛙群体,运用自适应变异蛙跳算法对其继续优化。将混合算法应用于容量约束车辆路径问题,验证了新算法的有效性。图[18]表[4]参[47]