本頁只刊出中文翻譯與中文說明；英文原文請見下方原文連結。
原文連結
論文資訊
- 類型：工作論文
- 編號：工作論文 #979
- 日期：2026-03-18
摘要
社會性昆蟲——螞蟻、蜜蜂、白蟻和黃蜂——表現出集體解決問題的能力（Deneubourg 和 Goss，1989；Bonabeau 等，1997）。特別是，一些螞蟻物種能夠在一組替代路徑中選擇從巢穴到食物源的最短路徑（Beckers 等，1990）。螞蟻在行走時會留下化學痕跡（或稱費洛蒙痕跡）；這條小路會吸引其他螞蟻走費洛蒙最多的路。這個強化過程導致了最短路徑的選擇：最先返回巢穴的螞蟻是那些走了兩次最短路徑的螞蟻（從巢穴到源頭並返回巢穴），因此在這些螞蟻返回後，最短路徑上比較長路徑上存在更多的信息素，刺激巢穴成員選擇最短路徑。 Colorni 等人利用這種基於螞蟻的最佳化原理與信息素蒸發相結合，以避免過早收斂到不良解決方案。 （1991、1992、1993），Dorigo 等人。 (1996)、Dorigo 與 Gambardella (1997a、1997b；Gambardella 與 Dorigo，1995) 和 Gambardella 等人。 (1997) 提出了一種出色的優化方法，即蟻群優化 (ACO)，他們將其應用於經典的 NP 難組合優化問題，例如旅行商問題 (Lawler et al., 1985)、二次分配問題 (Gambardella et al., 1998) 或作業車間調度問題 (Colorni et al., 1993)，並取得了一定的成功。 Bonabeau 等人描述了更多應用。 （1998）。這些論文中開發的 ACO 演算法的參數是手動調整的。在這封信中，我們展示了當使用系統程式選擇參數時 ACO 演算法的良好性能。更準確地說，我們使用遺傳演算法（Goldberg，1989）來演化 ACO 演算法。這種方法的簡單實現，在旅行商問題 (TSP) 上進行了測試，結果是：(1) 提高了 30 個城市問題的最優解的收斂速度（與最佳手動調整的 ACO 演算法的性能相比）（Whitley 等人，1989 年），以及 (2) 51 個城市問題的幾個非常好的浮點解決方案（Eilon 等人，Eilon 等人，1969 年）。我們的結果表明，有可能係統性地找到顯著提高 ACO 演算法效能的參數，並確認 ACO 不僅僅是一種奇異的元啟發式演算法，因為它與流行基準問題上的現有演算法進行了很好的比較。