针对蚁群优化（ACO）只适用于离散问题的局限性，提出了连续蚁群优化算法（CACO），保留了连续问题可行解的原有形式，并融入演化算法（EA）的种群与操作功能。CACO将蚁群分工为全局和局部蚂蚁，分别引领个体执行全局探索式搜优与局部挖掘式搜优。并释放信息素，由个体承载，实现信息共享，形成相互激励的正反馈机制，加速搜优进程。实例测试表明，CACO适用于连续问题，全局寻优性能良好，尤其对复杂的高维问题，更能反映其相对优势。最后讨论了局部寻优方法、全局蚂蚁配比、挥发因子和种群规模等因素对CACO寻优性能的影响。
### 连续蚁群优化算法(CACO)研究
#### 一、引言
随着计算技术的发展，优化问题在工程技术领域变得越来越重要。传统的优化算法往往难以处理复杂度高的问题，尤其是在连续空间中的优化问题。蚁群优化算法(ACO)作为一种启发式搜索算法，在解决离散优化问题上取得了显著成效，但在连续空间的应用存在局限性。因此，程志刚等学者提出了一种新的连续蚁群优化算法(CACO)，旨在克服这一限制。
#### 二、连续蚁群优化算法(CACO)原理
CACO是通过结合蚁群优化(ACO)与演化算法(EA)的优势而设计的。它保留了连续问题可行解的原有形式，并利用了演化算法的种群与操作功能，实现了对连续问题的有效求解。
##### 1. **算法框架**
- **种群划分**：CACO将蚁群分为两部分——全局蚂蚁和局部蚂蚁。
- **全局蚂蚁**负责执行全局探索式搜优，即在整个解空间内寻找可能的最优解。
- **局部蚂蚁**则专注于局部挖掘式搜优，即在已有较好解的基础上进行深入探索，以提高解的质量。
- **信息素机制**：蚂蚁在选择路径时会留下信息素，这有助于后续蚂蚁做出决策，形成一种正反馈机制，从而加速优化过程。
- **正反馈机制**：通过信息素的累积与挥发，使得优秀的解更加突出，引导后续的搜索方向。
##### 2. **算法步骤**
- **初始化**：设置初始参数，包括蚂蚁数量、信息素浓度等。
- **搜索过程**：
- 全局蚂蚁执行全局探索式搜优，寻找可能的最优解。
- 局部蚂蚁执行局部挖掘式搜优，提高已找到解的质量。
- **信息素更新**：根据蚂蚁的选择结果更新信息素浓度。
- **循环迭代**：重复搜索过程，直至满足终止条件。
#### 三、实验验证
通过对一系列实例进行测试，证明了CACO算法在连续优化问题上的有效性。特别是对于高维度、复杂的优化问题，CACO展现出了明显的优势。
#### 四、影响因素分析
为了进一步提升CACO的性能，文章还探讨了几种关键因素的影响：
1. **局部寻优方法**：不同的局部寻优方法对算法的整体表现有直接影响。例如，采用模拟退火等局部优化策略可以改善局部蚂蚁的搜索效率。
2. **全局蚂蚁配比**：全局蚂蚁的数量与整个蚁群的比例会影响算法的全局探索能力。合理的比例能够平衡全局搜索与局部优化之间的关系。
3. **挥发因子**：信息素的挥发速度对算法收敛速度有重要影响。较低的挥发率有助于保持信息素浓度，但可能会导致过早收敛；较高的挥发率则有助于避免局部最优，但可能会减缓收敛速度。
4. **种群规模**：较大的种群规模通常能提供更多的探索机会，但也会增加计算成本。选择合适的种群规模是平衡计算效率与优化效果的关键。
#### 五、结论
连续蚁群优化算法(CACO)作为一种创新的优化方法，成功地解决了ACO仅适用于离散问题的问题，并展现了在连续优化问题上的强大潜力。通过合理调整参数，CACO可以在多种复杂的优化场景中展现出良好的性能。未来的研究可以进一步探索CACO在不同领域的应用潜力，以及如何与其他优化算法结合以解决更广泛的优化问题。
