一种基于改进蚁群算法的港内寻跺应用.docVIP

一种基于改进蚁群算法的港内寻跺应用 　　摘 要：如何寻找最优路径是港区内交通诱导系统研究解决的核心问题。本文就如何寻找最优路径引入了基于群体仿生理念的改进的自适应蚁群算法，通过对信息浓度更新规则加以改进来加快收敛，不但能够降低蚁群算法的时间复杂度，还能克服寻找最优路径的难题，为进入港区的外来车辆顺利到达目的地提供了技术保障。 　　关键词：信息素；自适应蚁群算法；最优路径 　　中图分类号：TP391 　　1 背景 　　某港口因管理不善等因素的影响，致使港内货物堆放区域没有一定的规律，造成区域内跺位混乱，比如跺位位置不固定、大小不一，跺号更新变化频繁，货种堆放时间变化不一等一系列问题。这种环境下，外埠车辆疏港或集港时，需要先到离货物堆场最近的磅房过磅（过空或过重），然后再进入封闭区域，根据理货员的指引到达装卸现场跺位处，装载机才能对其进行作业。由于汽运司机大多来自外地，不经常进港，对港内环境陌生，他们经常忙无目的的在港内乱跑，等真正找到跺位后，已经浪费了很多时间和油耗，这对他们造成了很大的困扰，也对港口的管理带来了诸多不便。为了解决这个问题，我们可以采用现代化智能技术进行管理，开发相应的软件系统，来提升港口的管理水平和效益。 　　近些年来，随着群智能技术的逐渐成熟，我们可以将群智能技术引入到蚁群算法中，从而为最优路径选择问题提供了一个全新的解决思路。但在实际应用过程中，蚁群算法有它本身的局限性，其道路信息素初始值是固定的，使得这种算法在收敛过程中速度较慢。为了克服这个难题，我们可以在蚁群算法中引入改进的自适应蚁群算法，对信息浓度更新规则进行改进以加快收敛速度，并根据平均节点分支数动态地调整转移概率，这样就可以在很大程度上提高算法搜索最优解的能力。 　　2 具体解决措施 　　在办卡大厅，设立一台触摸屏，屏幕内植入港区内电子地图，汽运客户在扫描派车单后，系统便可根据派车单信息自动搜寻出从入港大门到达指定跺位区域所经过的最优路径，客户打印最优路径单后，便可顺利驾驶车辆到达目的地，这极大的满足了客户的需求，提高了港口吞吐效率。 　　3 算法模型选择 　　对最优路径的选择，我们将一种改进的蚁群算法引入到路径选择中来。 　　3.1 蚁群算法的来源 　　蚁群算法是一种启发式搜索算法，它是模拟自然界蚂蚁觅食行为而生成的算法，智能化程度比较高，它以离散时空、具有一定记忆功能的人工蚂蚁替代真实自然界的蚂蚁。蚁群算法中最重要的环节就是信息素的产生、增长和寻觅。蚂蚁在沿路径寻找食物时，下意识的会在所爬行的路线上分泌留下一种特殊的物质，我们称这种物质为信息素。其它蚂蚁可以利用前面蚂蚁留下的信息素来确定下一步要走的路线，同时根据这些路线上信息素强弱并行的去跟踪爬行寻找食物。为了确定蚁穴和食物位置之间的距离远近，一般根据爬行的次数来衡量是否是最优路径。大多数蚂蚁会选择近的有信息素的路径爬行，久而久之，近的路径上蚂蚁爬行的次数会逐渐增多，自然而然的这种路径上的信息素浓度就会随之增大，被其他蚂蚁选中的概率也会增大，这样，通过带头蚂蚁的随机爬行，到多数蚂蚁集中到最优路径上爬行，后边的蚂蚁便得到了最优寻食路径。因此，我们可以将蚁群算法应用到港区内寻垛路径优化问题中。 　　3.2 改进算法 　　针对上述蚁群算法的优缺点，我们提出了改进算法，主要是围绕选择概率模型和信息素问题进行改进。 　　3.2.1 首先将港口大门初始化，配备好相关设备，再就是将所有过磅房间初始化并配备相关设备。同时，将区域卡口封闭，各跺位重心点、出港大门口以及不同路的十字路口以经纬度方式进行采集。 　　3.2.2 根据需要引入自适应蚁群算法（Adaptive Ant Colony Algorithm，简称AACA），可以很好的避免算法在执行过程中出现的停滞现象。AACA算法跟其它的算法相比，优点就是能够很快的计算出平均节点分支数，并自适应的动态调整转移概率来达到最终目的，这样能够很大程度上提高算法搜索最优解的能力，即使在运行后期也能以极大的概率取得最优解。 　　自适应蚁群算法在路径选择时使用的是自适应伪随机比率选择规则（adaptive pseudo random proportional action choice rule），在这种算法规则环境下，我们可以确保整个蚁群始终在“搜索”和“利用”之间活动，不会游离到其它的点，很好的避免了停滞现象的出现。我们可以通过对位于节点i的蚂蚁k，按下面公式（1）选择进入下一个节j。 　　（1） 　　q（λ（t））=λ（t）/N （2） 　　其中λ（t）∈[2，N]表示第t次迭代时的平均节点分支数ANB，N代表所有的节点数，通过公式（2）来看，显然有 ，其中q为闭区间[0，1]上一致分布的随机数目，τ（i，u）的节点