蚁群算法、模拟退火算法、遗传算法优缺点-Toy模板网

这篇具有很好参考价值的文章主要介绍了蚁群算法、模拟退火算法、遗传算法优缺点。希望对大家有所帮助。如果存在错误或未考虑完全的地方，请大家不吝赐教，您也可以点击"举报违法"按钮提交疑问。

模拟算法的优缺点:

1.可以突破爬山算法的局限性，获得全局最优解(以一定的概率接受较差解，从而跳出局部最;优解)。

2.初始解与最终解都是随机选取的，它们毫无关联，因此具有很好的鲁棒性，即抵御外界不稳定因素的能力。

3.其最优解常常受迭代次数k的影响，若k值越大，则搜索时间越长，获得的最优解更可靠; k值越小，则搜索时间越短，有可能就跳过了最优解。

4.模拟退火算法受温度冷却速率的影响，若冷却速率较慢，则搜索时间较长，可以获得更优的解，但是会花费大量时间;如冷却速度过快，可能较快的搜索到更优的解，但也有可能直接跳过最优解。

蚁群优化算法特点

(1)采用正反馈机制，使得搜索过程不断收敛，最终逼近最优解。

(2)每个个体可以通过释放信息素来改变周围的环境，且每个个体能够感知周围环境的实时变化，个体间通过环境进行间接地通讯。(3)搜索过程采用分布式计算方式，多个个体同时进行并行计算,大大提高了算法的计算能力和运行效率。

(4)启发式的概率搜索方式不容易陷入局部最优，易于寻找到全局最优解。
蚁群算法缺陷分析

(1)收敛速度慢。蚁群算法中信息素初值相同，选择下一个节点时倾向于随机选择。虽然随机选择能探索更大的任务空间，有助于找到潜在的全局最优解，但是需要较长时间才能发挥正反馈的作用，导致算法初期收敛速度较慢。

(2)局部最优问题。蚁群算法具有正反馈的特点，初始时刻环境中的信息素完全相同，蚂蚁几乎按随机方式完成解的构建，这些解必然会存在优劣之分。在信息素更新时，蚁群算法在较优解经过的路径上留下更多的信息激素,而更多的信息激素又吸引了更多的蚂蚁,这个正反馈的过程迅速地扩大初始的差异，引导整个系统向最优解的方向进化。虽然正反馈使算法具有较好的收敛速度，但是如果算法开始得到的较优解为次优解，那么正反馈会使次优解很快占据优势，使算法陷入局部最优，且难以跳出局部最优。

(3)优化能力问题。蚁群算法中参数众多并且具有一定的关联性,虽然蚁群算法在很多领域都有广泛应用，但是参数选择更多是依赖经验和试错，不恰当的初始参数会减弱算法的寻优能力。当进行路径规划时，为避免形成环形路径或者重复访问某些节点在算法中设置禁忌表，但是禁忌表很容易造成“死锁"现象,减少种群中的有效蚂蚁数量，降低算法的优化效率。

(4)种群多样性与收敛速度的矛盾。种群多样性对应于候选解在问题空间的分布。个体分布越均匀,种群多样性就越好，得到全局最优解的概率就越大，但是寻优时间就越长;个体分布越集中，种群多样性就越差，不利于发挥算法的探索能力。正反馈加快了蚁群算法的收敛速度,却使算法较早地集中于部分候选解，因此正反馈降低了种群的多样性，也不利于提高算法的全局寻优能力。