蚁群算法的改进策略.docVIP

蚁群算法的改进策略 　　摘要：蚁群算法是模拟蚂蚁活动规律而提出的一种元启发式优化算法，研究表明其具有很多优点，在解决优化问题时表现出很好特性，但也存在一些缺陷。因此，许多学者提出了许多改进算法。该文对算法的改进策略进行研究，形成结论，为算法进一步发展提供参考。 　　关键词：蚁群算法；缺陷；改进算法；改进策略 　　中图分类号：TP18 文献标识码：A 文章编号：1009-3044（2014）28-6674-03 　　蚁群算法（Ant Colony Optimization，ACO）是由意大利学者M Dorigo在1991年根据蚂蚁活动规律从而提出的一种仿生学的优化算法，并把其应用在求解TSP问题，表现出了很好的特性。[1] 算法得到了有很快的发展，应用领域也不断的拓广，因此对于该算法的研究就显得尤其重要，但是任何一种算法并不能完美，其存在着一些缺陷，如收敛速度慢，容易陷入局部最优等缺陷，所以很多学者提出了改进方法，对算法的改进方法总结，就成为必要的课题。 　　1 蚁群算法基本原理 　　在对蚂蚁觅食过程进行研究之后，发现蚂蚁可以在路径上留下一种叫做信息素的物质，并且蚂蚁能感知这种信息，并会向着信息素浓度高的方向移动。蚂蚁个体之间通过这种方式进行联系，于是群体的觅食行为就表现出一种正反馈性。在觅食过程中某一条路径越短，其信息素浓度会越高，经过的蚂蚁会越多，反之路径越长，经过的蚂蚁越少，信息素浓度会越低，这就是算法的基本原理。 　　为了叙述方便我们以[n]个城市[TSP]问题为例，其中[m]蚂蚁数量，[dij]为两城市之间距离，[bi（t）][i=（1]、2……[n）]是[t]时刻城市[i]蚂蚁的数量，那么[m=i=1nbi（t）]。 　　蚂蚁系统：我们将[m]只蚂蚁随机放到平面上[n]个城市，同时记录每一只蚂蚁所在的城市，设城市之间路径上信息素一样，即[τij（0）=c（c]是常数[）]。接下来蚂蚁按照觅食规则选择下一城市。在[t]时刻蚂蚁[k]从[i]城市转移到[j]城市的概率为[pkij（t）]，其中 　　2 蚁群算法的改进 　　蚁群算法得到很快发展，但是其本身是存在一些缺陷，于是很多学者提出很多改进方法，总结起来，我们从以下几个方面进行论述。 　　2.1 信息素的更新策略 　　蚁群算法中信息素起着重要作用，对算法的改进最先也是从信息素的更新开始的。 　　M Dorigo等在1997年针对蚁群算法的不足提出一种蚁群系统（Ant Colony System，ACS），这个系统的提出是以Ant Q算法[2]为基础的。其中ACS为了避免蚂蚁陷入局部最优在信息素的更新上实施新方法，其只对最优路径上的信息素进行更新，同时还引入了挥发机制，即蚂蚁走过的路径上除信息素要增加外还要挥发一部分，从而实现一种信息素局部调整以减小已选择过的路径再次被选择的概率。ACS对于AS算法的该进提高了其性能。在同年 T.Stützle， H.Hoos对AS算法进行了直接改进，该改进方法是在AS的基础上直接进行，对信息素进行限定，即MAX-MIN Ant System[3]。算法中信息素更新方式规定，每次迭代后只有一只蚂蚁进行信息素更新。为了避免陷入局部最优，信息素浓度被限制在[[τmin，τmax]]范围内，除此之外，信息素初始值为取值上限，这样初始阶段的搜索能力较强。MMAS算法得到了广泛应用，但还是存在一些缺点，如消耗时间较长。2007年薛莉等提出了一种双信息素更新的蚁群算法，该算法通过对全局信息素和接近最优路经上的信息素进行更新，改善蚁群算法的寻优能力。[4]2008年，李亚韫等提出信息素扩散蚁群算法用于求解TSP问题，该文引入了扩散模型，使得算法更逼真，更加接近蚂蚁真实行为，加大了蚂蚁之间的协作，加快了算法的收敛速度。[5]2013年赵伟等人提出了一种基于惩罚函数和新信息素更新方式的蚁群算法，该文引入了局部和全局信息素更新的新方式并且引入了惩罚函数，降低了算法的复杂度，并且减小了搜索范围，有利于发现较好的解。[6]孟祥萍等人提出了基于方向信息素协调的蚁群算法，该算法定义了一种新的信息素，该种信息素刻画全局信息，其使算法求得的解是最优解，并能加快算法的收敛速度。[7] 　　综上所述，以上的改进算法，都有效提高了算法性能，使得蚂蚁寻优能力更强，并有效避免算法的停滞，是行之有效的改进策略。 　　2.2 蚂蚁本身特性的改进 　　蚁群算法改进的另外一方面便是蚂蚁本身的特性。2008年汪采萍等提出具有变异特性的蚁群算法，并应用于求解TSP问题，该变异采用遗传算法中的变异对蚁群进行变异，该方法保存了蚁群的多样性，有效避免算法陷入停滞，使蚁群具有发现较好解的能力。[8]2008年郑松等提出了动态调整选择策略的蚁群算法，算法使得蚂