2.模拟退火算法。
模拟退火( Simulated Annealing,SA)算法是求解规划问题中的最优值,方法是利用热力学中经典粒子系统的降温过程。当孤立的粒子系统的温度缓慢降低时,粒子系统会保持在热力学平衡稳定的状态,最终体系将处于能量最低的情况简称基态。基态是能量函数的最小点。模拟退火法能够有效地解决复杂的系统优化问题,并且限制性约束较小。
3.蚁群算法。
蚁群算法( Ant Colony Algorithn,ACA)寻找最优解效仿了真实蚂蚁的寻径行为,利用蚂蚁之间的相互通信与相互合作。蚁群算法类似于其他进化算法,首先都是一种随机查找算法;其次,都是利用候选解群体的进化来寻找最优解,具有完善的全局优化能力,不依赖于特定的数学问题通过蚁群算法求解某些比较复杂的优化问题时,则将体现出该算法的优越性同时蚁群算法自身也具有不少缺陷。蚁群算法的优点如下。
①蚁群算法在优化问题领域具有很强的搜索较优解的能力,因为它能够把些常用的分布式计算、贪婪式搜索等特点综合起来,并且是一种正反馈机制的算法。想要快速地发现较优解,可利用正反馈机制得到;而过早收敛现象可由分布式计算来排除;这样在查找过程的前期,就会找到可实施的方法,同样,若要减少查找过程消耗的时间,可通过贪婪式搜索来实现。
②蚁群算法具有很强的并行性。
③蚁群中蚂蚁之间通过信息素展开协同合作,则系统会有比较好的可扩展性。
蚁群算法也具有一些缺陷。
①蚁群算法需要消耗比较多的时间来查找,尤其是在群体规模较大时,由于蚁群中的蚂蚁活动是任意的,即使利用信息交换都可以找到最优路径,但是在不是很长的时间里,很难发现一条比较好的线路。由于在刚开始寻找路径的时候,各线路上的信息浓度大小几乎是相同的,这样就存在一定困难。虽然利用正反馈方法反馈信息,能够让好线路上的信息量越来越多,但是需要消耗很长的时间间隔,才能使较多的信息量出现在较好的路径上,伴随正反馈的不断进行,会产生明显的差别,从而得到最好的路径。这一过程需要较长时间。
②当查找过程进行到一定阶段时,蚁群中蚂蚁查找到的解相同,很难在深层次去查找得到更好的解,使算法出现停滞现象除了上述算法之外,还有其他很多算法,如基于广度优先搜索、深度优先搜索、最小生成树、神经网络、层次空间推理等。
