蚁群算法(ant colony algorithm简称ACA)是最近几年才提出来的一种新型的模拟进化算法,它来源于对真实蚂蚁群体寻找从巢穴到食物源最短路径方法的模拟,体现了真实蚁群的协作过程。蚁群算法不仅能够智能搜索、全局优化,而且具有高度的本质并行性、正反馈性、鲁棒性及协同性等优点,在解决复杂离散优化问题上显示出了良好的适应性,具有许多优良品质和实际应用价值,是一种很有前景的方法。既然蚁群算法在求解离散优化问题上有很好的性能,那么人们自然会想到将它应用到连续优化问题时是否也能取得好的结果。为此有许多学者作了这方面的研究,但基于蚁群算法来源于求解离散问题这一特殊性,求解连续问题时须先进行一定的改动。他们引入其它方法的思想先将连续问题离散化,然后再运用蚁群算法进行求解。研究结果发现这些方法应用于连续优化问题寻优还有待进一步发展,本文正是针对这一不足,进行蚁群算法连续域寻优的研究,提出一些新的改进措施,使得蚁群算法更适应连续域寻优。第一:仿照真实蚂蚁工作机制,将蚂蚁分为两大类型:侦察蚁和探索蚁。两种蚂蚁用不同的方法完成各自的工作,且相互合作共同达到寻优目的。侦察蚁用快速寻优机制和简单的信息素交流机制,可以有效地先在连续域上先进行侦察。而探索蚁在侦察蚁形成的一个信息素保留点列表基础上进行有向随机寻优,用确定性与随机性相结合的方式来工作,即保证了向信息素浓度高的点的方向移动,避免盲目寻优,同时也保证了搜索的随机性。整个算法未刻意地将连续空间离散化,蚂蚁自由地在寻优空间内移动,只是每次寻优结果和遗留的信息素以离散形式进行保存和交流。仿真实验证明两类蚂蚁相结合的蚁群算法进行连续域寻优时寻优性能大大优于其它连续域蚁群算法。第二:算法中需要人为设置的参数多,而现今参数设置大多以经验为主。用遗传算法对人为设置参数进行优化,优化时采用实数制编码、算术交叉、非均匀变异等改进遗传操作。通过对二维和高维函数进行仿真可以证明用遗传算法能够找到一组较优参数,可使蚁群算法连续域寻优时获得较好的寻优性能。本文还将改进后蚁群算法应用到PID参数控制器优化方面,仿真实验证明用改进连续域蚁群算法优化后的PID控制器参数使得系统响应性能有所改善。体现了连续域蚁群算法在实际应用中的价值。第三:针对改进后的蚁群算法在高维函数寻优时性能仍有所欠佳的问题,充分利用人工鱼群算法的特点,先对高维函数进行寻优,寻得的满意解域再作为蚁群算法寻优空间,这样结合降低了蚂蚁很大一部分工作量。仿真实验表明这种改进措施一定程度上可以提高蚁群算法的高维函数寻优性能,但还仍需进一步对蚁群算法进行内部改进以适应高维函数优化。