The majority of optimization algorithms require proper parameter tuning to achieve the best performance. However, it is well-known that parameters are problem-dependant as different problems or even different instances have different optimal parameter settings. Parameter tuning through the testing of parameter combinations is a computationally expensive procedure that is infeasible on large-scale real-world problems. One method to mitigate this is to introduce adaptivity into the algorithm to discover good parameter settings during the search. Therefore, this study introduces an adaptive approach to a heterogeneous ant colony population that evolves the alpha and beta controlling parameters for ant colony optimization (ACO) to locate near-optimal solutions. This is achievable by introducing a set of rules for parameter adaptation to occur in order for the parameter values to be close to the optimal values by exploring and exploiting both the parameter and fitness landscape during the search to reflect the dynamic nature of search. In addition, the 3-opt local search heuristic is integrated into the proposed approach to further improve fitness. An empirical analysis of the proposed algorithm tested on a range of Travelling Salesman Problem (TSP) instances shows that the approach has better algorithmic performance when compared against state-of-the-art algorithms from the literature.

大多数优化算法都需要进行适当的参数调整，以实现最佳性能。但是，众所周知，参数取决于问题，因为不同的问题甚至不同的实例具有不同的最佳参数设置。通过测试参数组合进行参数调整是一个计算量大的过程，在大规模的实际问题上是不可行的。减轻这种情况的一种方法是将自适应性引入算法中，以在搜索过程中发现良好的参数设置。因此，本研究为异类蚁群种群引入了一种自适应方法，该方法进化了用于蚁群优化（ACO）的alpha和beta控制参数以定位接近最优的解决方案。这可以通过引入一组参数发生规则来实现，以便在搜索过程中通过探索和利用参数和适应度景观来反映参数的动态性质，从而使参数值接近最佳值。此外，将3-opt本地搜索试探法集成到建议的方法中，以进一步提高适应性。对在一系列旅行商问题（TSP）实例上测试的拟议算法的经验分析表明，与文献中的最新算法相比，该方法具有更好的算法性能。将3-opt本地搜索试探法集成到建议的方法中，以进一步提高适应性。对在一系列旅行商问题（TSP）实例上测试的拟议算法的经验分析表明，与文献中的最新算法相比，该方法具有更好的算法性能。将3-opt本地搜索试探法集成到建议的方法中，以进一步提高适应性。对在一系列旅行商问题（TSP）实例上测试的拟议算法的经验分析表明，与文献中的最新算法相比，该方法具有更好的算法性能。