2023年ASOC SCI2区TOP，随机跟随蚁群优化算法RFACO，深度解析+性能实测

---

1.摘要

连续蚁群优化是一种基于群体的启发式搜索算法（ACOR），其灵感来源于蚁群的路径寻找行为，具有结构简单、控制参数少的特点。然而，在面对多峰和高维优化问题时，该算法常常受限于可行域空间中的局部区域，这对找到最优解点所需的计算效率产生了负面影响。为了缓解这一局限性，本文提出了一种随机跟随策略，用来增强蚁群搜索代理与其他蚁群成员在搜索维度内的交流能力，结合该策略所提出的算法被称为随机跟随蚁群优化算法（RFACO）。

2.连续蚁群优化算法ACOR

2008年EJOR SCI2区，连续蚁群优化算法ACOR，深度解析+性能实测

3.随机跟随策略

ACOR在图像分割、工程优化和数据聚类等连续空间问题中表现出良好的性能。然而算法在处理复杂问题时存在两大缺陷：一是收敛速度较慢，二是容易陷入局部最优，尤其在面对多峰、复合及组合类函数时更为明显。为克服这些问题，本文借鉴CS的维度变异思想和SSA的贪婪选择机制，提出了一种随机跟随策略，并将其嵌入到 ACOR 算法中，该策略通过引入搜索代理在特定维度上的扰动与筛选操作，显著提升了算法的全局搜索能力与收敛速度。
$$V_j=\{\begin{array}{ll}{\bar{s}}_i^j+c_1\cdot \left(lb+c_2\cdot (ub-lb)\right),& j\le k\text{ and }rand>0.5\\ {\bar{s}}_i^j-c_1\cdot \left(lb+c_2\cdot (ub-lb)\right),& j\le k\text{ and }rand\le 0.5\\ \left(Temp+{\bar{s}}_i^j\right)/2,& \text{otherwise}\end{array}$$

自适应阶跃控制参数$c_1$定义为：
$$c_1=2\times e^{-{\left(\frac{4\cdot fes}{Ma{x}_{fes}}\right)}^2}$$

4.结果展示

5.参考文献

[1] Zhou X, Gui W, Heidari A A, et al. Random following ant colony optimization: Continuous and binary variants for global optimization and feature selection[J]. Applied Soft Computing, 2023, 144: 110513.

6.代码获取

7.算法辅导·应用定制·读者交流