《一种求解TSP问题的混合算法》.pdfVIP

第43卷第3期 东北师大学报(自然科学版) V01．43No．3 ofNortheastNomal ScienceEdition) 2011 2011年9月 Journal University(Natural september [文章编号]1000—1832(2011)03—0060—05 一种求解TSP问题的混合算法 谷文祥，李向涛，王春颖，李国媛，殷明浩 (东北师范大学计算机科学与信息技术学院，吉林长春130117) [摘 要] 结合粒子群算法、蚁群算法、重力搜索算法提出了一种新的混合算法——僻GPA八 该算法将粒子群算法和重力搜索算法加入到蚁群算法中，利用粒子群算法的全局搜索能力解 决了蚁群算法的初始信息素匮乏的问题，并且重力搜索算法将粒子群算法和蚁群算法参数进 行优化，明显提高了蚁群算法的优化性能．实验表明新算法对于解决TSP问题是有效的． [关键词]蚁群算法；粒子群算法；重力搜索算法；旅行商问题 TP A [中图分类号] 301 [学科代码]520·1040[文献标志码] 0 引言 TSP问题是一个重要的组合优化问题，已经被证明是NP完备的．任何能使该问题的求解得以简化 的方法，都会受到高度的评价和关注．虽然目前存在一些可以精确地求解TSP问题的算法，但针对大规 模的TSP问题，这些算法往往不能胜任．为了解决这一问题，研究人员提出了多种智能算法来处理TSP 算法[9]等．然而，这些算法大多不尽如人意，容易陷入局部极小或收敛过慢等问题．近些年，研究人员发 现几种智能算法灵活的组合可以为求解TSP提供更好的启发式信息，并且这类混合算法在处理TSP 问题上可以提供更有效的行为和更高的灵活性．鉴于以上的原因，混合的智能算法越来越受到人们的关 注．由于混合智能算法的研究还处于起步阶段，所以，研究用混合智能算法解决TSP问题是必要的． 型的智能优化算法，已经被应用到TSP问题[1弘12]，并且取得一定的效果．它采用了一种正反馈机制，通 过信息素的不断更新，最终收敛于最优解．但是，在算法的初级阶段信息素匮乏，导致了求解速度较慢． 并且，该算法是典型的概率算法，算法中的参数设定通常是由试验方法确定，这也导致了算法的优化性 能要与人的经验密切相关，很难达到算法性能最优． 虽然现在有很多文章是采用混合的算法去解决TSP，但是目前还没有人结合蚁群算法、粒子群算 法、重力搜索算法这三种算法解决TSP问题．粒子群算法是一种全局优化算法，虽然在求解组合优化问 题的方面稍显逊色，但是由于初始粒子的随机分布这一特点，将其用于组合优化问题时．该算法仍具有 在逼近最优解时速度较快【l引，可以有效对系统的参数进行优化．综合以上的原因，本文提出了～种结合 参数和粒子群算法参数的优化，粒子群算法则用于解决蚁群算法初级阶段信息素匮乏从而导致求解速 度变慢的问题． [收疆日期]2009．03一07 [基金项目]国家n然科学基金资助项目60573067． [作者简介]谷文样(1947一)．男．教授．博士研究生导师。主要从事智能规划与规捌识别、形式语言与自动机、模期教学及其应用 研究． 万方数据 第3期 谷文祥。等：一种求解TSP问题的混合算法 61 1 算法基础 1．1蚁群算法 该算法通过模拟蚂蚁的觅食行为，找到最优解．蚂蚁觅食的时候会在所走过的路径上留下信息激 素，同时信息激素会随时间而挥发．一条路径走过的蚂蚁越多，留下的信息激素越多；反过来，信息激素 浓度高的路径上会吸引更多的蚂蚁．通过这种正向反馈，最终将找到一条最优路径．为了避免蚂蚁两次 走上同一条路径(非法路径)，为每个蚂蚁设置一个禁忌表以记录它已走过的路径． 1．2粒子群算法 在某一个空间中初始化一群随机的粒子，通过迭代找到最优解．在每一次的迭代中，粒子通过两个