一种蚁群算法的并行实现.pdfVIP

长江大学学报(自科版)理工卷20P7年12月第4卷第4期 of NatSci V No．4 JournalYangtzeUniversity Edit)Sci＆EngDec．2007。V01．4 一种蚁群算法的并行实现 刘彩云，陈 忠 (长江大学信息与数学学院，湖北荆州434023) [摘要]蚁群算法具有较强的鲁棒性和发现较好解的能力。但在求解问题规模较大时．存在收敛速度较慢 等缺点。提出了一种蚁群算法的并行实现策略．利用MPI函数库，采用C++语言编程实现。并在曙光 4000超级计算机上成功运行。结果表明。并行蚁群算法能明显加快算法的收敛速度。 [关键词]蚁群算法l并行；MPI函数库 [中图分类号]0224．2；T1，273．1[文献标识码]A 蚁群算法(antcolony salesman 最早成功应用于解决NP难题中著名的旅行商问题(travelingproblem，简称1、SP)。由于它采 用分布式并行计算机制，易于与其他方法结合，具有较强的鲁棒性和发现较好解的能力【lj，最近几年蚁 群算法开始引起了国内外专家学者的关注[2]。当求解问题规模较大时，蚁群算法存在收敛速度较慢的缺 点，并行蚁群算法(PACA)是加快其收敛速度的有效方法。笔者提出了一种蚁群算法的并行实现策略。 1蚁群算法(ACA) 1．1 机制原理 根据仿生学家长期的研究发现：蚂蚁虽没有视觉，但运动时会在路径上释放出一种特殊的分泌物 蚁再次碰到这个路口的时候．选择信息素数量较大路径的概率就会相对较大，这样形成了一个正反馈 (posilivefeedback)机制。蚂蚁之间交换着路径信息，最终通过蚁群的集体自催化行为找出最优路径。 1．2数学模型 为了能够清楚地表达蚁群算法的数学模型，笔者借助了经典的对称TSPu。。 c 设C一{C。，f。，…，f。)是村个城市的集合，L={Z。If，，0 C}是集合C中冗素(城市)两两连接的边 在搜索过程中，蚂蚁根据各个路径上的信息素数量及路径的启发信息来计算转移概率。成(f)表示 在t时刻蚂蚁k由元素(城市)i转移到元素(城市)_『的转移概率： allowed, 』承”一童糕髋‰鞠E ㈩ l 5c81‘。”吨 一。 ’ 【0 其他 能见度，与路径(i，_『)的长度成反比；口、p为权重系数。在每一只蚂蚁完成一次循环后，要对残留信息进行更 新处理，这样，得到t+it／时刻在路径(?，J)上的信息素数量按照以下规则作调整： b(f+，1)=肛F(￡)+∑△弓( [收稿日期]2007一08—23 ● [作者简介]刘彩云(1975一)，女，1998年大学毕业，讲师。硕士生，现主要从事数值计算、图像处理方面的教学与研究工作。 onArtificial a1．DistributedoptimizationantcoloniesProceedingsof Conferencc oColorniA，DorigoM。Manie五zoV。et by European Life Paris。1991．134～142． 万方数据 长江大学学报(自科版)理工卷 2007年12月 息量；m为蚂蚁总数。在Ant—Cycle模型中： 若第k只蚂蚁在本次循环中经过城市巧。