蚁群优化算法在解决TSP问题中的应用解析.docVIP

还有页眉没有添加，页眉上写章标题，把我给你标注的问题改完就可以打印了 摘 要 根据蚂蚁生态学提出的蚁群算法是一种新颖的用于求解复杂组合优化问题的模拟进化算法,具有典型的群体智能特征,表现出较强的学习能力和适应能力。本文阐述了该算法的基本原理、算法模型和在TSP( Traveling Salesman Problem，旅行商)问题中的具体应用过程,并对算法进行了总结和展望。 关键词：蚁群算法，旅行商问题，外激素  目 录 摘 要Ⅰ 目 录II 第一章 引言 1 第二章 蚁群算法的基本原理和模型 2 2.1 蚁群算法的基本原理 2 2.2 蚁群算法的模型 3 第三章 基于蚁群算法的TSP求解 5 3.1 TSP问题的描述 5 3.2 基于蚁群算法的TSP求解 5 3.3 蚁群算法的局限性 6 第四章 蚁群算法的改进 8 4.1 优选参数m 8 4.2 参数的调整 8 4.3 信息素的更新 8 4.4 信息素链表 L 和禁忌链表 TL 的构建 9 第五章 改进的算法基本流程 10 第六章 结论 11 参考文献 12  第一章 引言 研究群居性昆虫行为的科学家发现，昆虫在群落一级上的合作基本上是自组织的，在许多场合中尽管这些合作可能很简单，但它们却可以解决许多复杂的问题。蚁群算法就是利用群集智能解决组合优化问题的典型例子。蚁群算法（Ant Colony Algorithm, ACA）是由意大利学者 M.Dorigo，V.Mzniezzo，A.Colorni 蚁群算法不仅能够智能搜索、全局优化，而且具有稳健性A、鲁棒性B、正反馈、分布式计算、易与其它算法结合等特点。利用正反馈原理，可以加快进化过程；分布式计算使该算法易于并行实现，个体之间不断进行信息交流和传递，有利于找到较好的解，不容易陷入局部最优；该算法易与多种启发式算法结合，可改善算法的性能；由于鲁棒性强，故在基本蚁群算法模型的基础上进行修改，便可用于其它问题。因此，蚁群算法的问世为诸多领域解决复杂优化问题提供了有力的工具。 TSP 问题，又称旅行商问题，就是一个销售商从 n 个城市中的某一城市出发，不重复地走完其余 n﹣1 个城市并回到原出发点，在所有可能的路径中求出路径长度最短的一条。它是组合优化中研究最多的问题之一，是一个经典的 NP 难题。 第二章 蚁群算法的基本原理和模型 2.1 蚁群算法的基本原理 蚁群系统本来是生物学家为更好揭示昆虫的交互作用而提出的一种昆虫自组织模式。尽管建立这种模式的初衷是为了帮助人们去理解这类昆虫的复杂行为，蚂蚁也不可能从这些解释中获益，但是数学及计算机方面的专家和工程师却把这种超越生物本身的模型转化成了一项有用的优化和控制算法!蚁群算法，也称蚁群系统（Ant Colony System, ACS）。 蚁群优化（Ant Colony Optimization, ACO）是该系统的核心内容，其原理可大致描述如下：蚂蚁属于群居昆虫，个体行为极其简单，而群体行为却相当复杂。相互协作的一群蚂蚁很容易找到从蚁巢到食物源的最短路径，而单个蚂蚁则不能。此外，蚂蚁还能够适应环境的变化，例如在蚁群的运动路线上突然出现障碍物时，它们能够很快地重新找到最优路径。人们通过大量的研究发现，蚂蚁个体之间是通过在其所经过的路上留下一种可称之为“ 信息素”（Pheromone） 图1 蚁群优化系统示意图 图中设 A 是蚁巢，E 是食物源，H、Cd 。由于障碍物的存在，由 A 外出觅食或由 E 返回巢穴的蚂蚁只能经由 H 或 C 到达目的地。假设蚂蚁以“1单位长度/R单位时间”的速度往返于 A 和 E ，每经过一个单位时间各有30只蚂蚁离开 A 和 E 到达 B 和 D (图1 a)。初始时，各有30只蚂蚁在 B 和 D 点遇到障碍物，开始选择路径。由于此时路径上无信息素，蚂蚁便以相同的概率随机地走两条路中的任意一条，因而15只选往 C ，15只选往 H (图1 b)。经过一个单位时间以后，路径 BCD 被30只蚂蚁爬过，而路径 BHD 上则只被15只蚂蚁爬过（ 因 BCD 距离为1而 BHD 距离为2），BCD 上的信息量是 BHD 上信息量的两倍。此时，又有30只蚂蚁离开 B 和 D ，于是各20只选择往 C 方向，而另外各10只则选往 H (图1c)。这样，更多的信息素量被留在更短的路径 BCD 上。随着时间的推移和上述过程的重复，短路径上的信息量便以更快的速度增长，于是会有越来越多的蚂蚁选择这条短路径，以致最终完全选择这条短路径。 由上述可见，蚁群算法的核心有三条。第一，选择机制：信息素越多的路径，被选中的概率越大。蚂蚁群体行为表现出正反馈的过程，通过反馈机制的调整,可对系统中的较优解起到一个自增强的作用, 从而使问题的解向着全局最优的方向演变, 最