一种改进蚁群算法仿真.pdfVIP

一种改进蚁群算法与仿真 吾斯曼·亚森 河海大学土木工程学院，南京（210098 ） E-mail ：wolkan@ 摘 要：蚁群算法是基于群体合作的一类仿生算法，适合于解困难的离散组合优化问题。本 文在介绍基本蚁群算法原理的基础上，对其做了适当的改进，以克服其求解速度过慢、容易 出现停滞的缺陷，并给出了详尽的新算法编程仿真实现步骤，最后将未改进的基本蚁群算法 与本文改进后的蚁群算法分别应用于TSPLIB 中的Eil51TSP 问题进行了仿真实验。仿真研 究表明，改进后的算法具有优良的全局优化性能，效果令人满意。 关键词：蚁群算法，信息素，仿真 1. 引言 随着近代仿生学的发展，人们越来越关注自然界中一些看似微不足道的生物行为．20 世纪90年代初期，意大利学者Dorigo Macro等人通过模拟自然界中蚂蚁集体寻径的行为而提 出了蚁群算法[1] (Ant Colony Algorithm ，简称ACA) ，这是一种基于种群的启发式仿生进化算 法．该算法最早成功应用于解决著名的旅行商问题(TSP) 。它采用分布式并行计算机制，易 于与其它方法结合，具有较强的鲁棒性，最近几年开始引起了国内外专家学者的关注，但蚁 群算法搜索时间长、收敛速度慢的弱点一直制约着它在众多领域的进一步推广应用。本文对 基本的蚁群算法作了一些改进，使其能在全局优化的实现过程中快速找到最优解。 2. 基本蚁群算法原理 2.1 ．蚁群行为描述 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—信息素(Pheromone)—寻找路径[2] ．当它们碰到一个还没有走过的路口时，就随机 地挑选一条路径前行，同时会释放出与路径长度有关的信息秦蚂蚁走得路径越长，则释放的 信息素数量越小．当后来的蚂蚁再次碰到这个路口的时候，选择信息素数量较大路径概率就 会相对较大，这样形成了一个正反馈机制．最优路径上的信息素数量越来越大，而其它的路 径上信息素数量却会随着时间的流逝而消减，最终整个蚁群会找出最优路径．而且蚂蚁还能 够适应环境的变化，当蚁群的运动路径上突然出现障碍物时，蚂蚁亦能够很快地重新找到最 优路径．可见在整个寻径过程中，虽然单个蚂蚁的选择能力有限，但是通过信息素的作用使 整个蚁群的行为具有非常高的自组织性，蚂蚁之间交换着路最终通过蚁群的集体自催化行为 找出最优路径。 2.2 ．数学模型 蚁群算法包含两个基本阶段：适应阶段和协作阶段．在适应阶段，各候选解根据积累的 信息不断调整自身结构，路径上经过的蚂蚁越多，信息素数量越大，则该路径越容易被选择； 时间越长，信息素数量越小．在协作阶段，候选解之间通过信息交流，以期望产生性能更好 的解．为了能够清楚地理解蚁群算法的数学模型，本文借助了经典的对称TSP 问题。 设b t 表示t 时刻位于元素 的蚂蚁数目，τ t 为t 时刻路径 i, j 上的信息量，m 为 i () i ij ( ) ( ) - 1 - n 蚂蚁群中蚂蚁的数目，则m b t ; Γ τ t | c ,c =⊂C }是t 时刻集合C 中元素(城市) ∑ i () { ij ( ) i j } i 1 两两连接l 上的残留信息素数量集合。在初始时刻各条路径上信息素数量相等，并设 ij τ 0 const ( const 为常数) ．基本蚁群算法的寻优是通过有向图g