改进蚁群算法求解最短路径问题.docVIP

改进蚁群算法求解最短路径问题 　　【摘要】针对蚁群算法在收敛过程中需要多次迭代和容易陷入局部最优解的问题，本文提出一种改进策略的蚁群算法——自主复制蚁群算法（Auto Copy Ant Colony Algorithm，AC-ACO）。通过蚂蚁自主复制和分泌标记信息素实现快速找到最短路径问题最优解。仿真结果显示，AC-ACO算法能降低迭代次数，增强算法的搜索能力。 　　【关键词】蚁群算法；自主复制；最短路径 　　1.引言 　　随着智能交通概念的发展和应用，在城市交通网中查找最短路径问题成为了一个研究热点。最短路径是指在一个权值图中找出两节点之间拥有最小权值的路径。许多学者都对最短路径问题进行了大量的研究，并取得了不小收获，如经典的Dijkstra算法。蚁群算法[1]是近年来提出的一种新型的模拟进化算法，本文将改进蚁群算法用于解决最短路径问题。 　　2.蚁群算法简介 　　2.1 基本原理 　　蚁群算法是通过模拟自然界蚂蚁觅食行为来求解优化组合问题的仿生算法。意大利学者M.Dorigo于1992在博士论文中第一次提出蚁群算法概念。其原理在于：自然界的蚂蚁群在寻觅食物的过程中，会在途经道路上释放信息素，并根据道路已有信息素选择路径。经过一段时间的搜索，道路信息素浓度不断更新和消散而最终收敛于某条最短路径，此过程表现出了蚂蚁群体自组织、自动学习的能力。算法本质是一种正反馈机制[2]，蚂蚁倾向于选择信息素浓度较大的路径作为自己移动方向。因此环境是否变化，蚁群总能挑选合适路径，实现选择最短路径的目的。 　　2.2 数学模型 　　设定标记[3]如下：m表示蚁群个体数量；dij表示位置i和j之间的距离；ηij（t）表示启发函数，即由位置i转移到j的启发程度；τij（t）表示t时刻边（i，j）上信息素量，τij（t）=C，C取常数；Δτij表示一组蚂蚁遍历完成后位置i到j间新产生的信息素量；Pijk表示蚂蚁k的转移概率，j是未访问的节点；tablek表示蚂蚁k下一步允许运行的节点集合。 　　①初始时刻t=0，各条路径信息素浓度相等，蚂蚁k在运动过正中根据各条路径信息素浓度计算转移概率 　　其中α是信息启发因子，β是期望启发因子，然后蚂蚁k会根据概率P选择下一步节点，其中Pijk表示该节点被蚂蚁k选中的概率。 　　②为了防止路径信息素过多造成残存信息屏蔽启发信息，在一组蚂蚁遍历完成后，要对残存信息素进行更新[4]，更新规则为： 　　其中ρ（ρ∈[0，1））表示信息素挥发系数，Δτijk（t）表示本轮循环中蚂蚁k在位置i和j之间新增的信息素量，Q表示信息素强度，Lk表示本轮循环中蚂蚁k走过路径的总长度。 　　③经过若干轮的循环之后，该算法会收敛，蚂蚁在信息素正反馈的指引之下最终会选出一条优化路径作为全局最优解。 　　3.改进蚁群算法算法 　　3.1 蚁群算法的不足 　　蚁群算法是一类基于多主体智能算法，然而利用蚁群算法求解最短路径问题的过程中，会出现如下两类问题[5]： 　　蚁群算法在搜索过程中使用多次迭代，且每次迭代需要多只蚂蚁共同搜索，并需要对比分析多次迭代结果，降低了算法收敛速度。 　　算法过度依赖信息素的正反馈作用，随着信息素浓度的增强，算法容易陷入局部最优，即搜索循环达到一定程度后，由于局部产生的信息素浓度增加，造成蚂蚁个体都趋向于局部最优解，降低了算法的全局搜索能力。 　　针对上述问题，为了降低蚁群算法的迭代次数和增强全局最优解的搜索能力，本文提出了自主复制蚁群算法。 　　3.2 自主复制蚁群算法 　　自主复制蚁群算法（AC-ACO）是改进蚁群的转移策略，在传统蚁群算法中，蚂蚁面临多条路径时是通过自身设定的转移函数挑选出某条路径作为下一跳选择，其选择过程具有一定的随机性，但是蚂蚁的随机选择会影响到其他蚂蚁个体，显然为了增强算法的全局搜索能力必须降低其影响的程度，所以AC-ACO算法设定当蚂蚁面临多条路径选择时，会根据选择路径的数量自主复制出相同数目的蚂蚁个体，每条蚂蚁选择其中一条道路作为自己的选择，同时蚂蚁分泌一种标记信息素用于标记该道路已经被经过，标记信息素的作用是禁止其他蚂蚁在随后的时间内经过该路径。具体描述[6]如图1所示： 　　（1）蚂蚁记录自己经过的所有节点以及下一跳节点的信息，且蚂蚁爬行匀速爬行。 　　（2）初始时刻，从起始节点P1处派出一直蚂蚁A1，并在P1处分泌标记信息素。 　　（3）某一时刻蚂蚁At到达下一跳节点PK，如果节点PK没有信息素痕迹则蚂蚁At分泌标记信息素，如果已经存在标记信息素，则杀死蚂蚁At。 　　（4）某一时刻处于节点Pt处的蚂蚁At面临n条路径选择时，蚂蚁At复制产生Aa，Ab，Ac，Ad…An，共计n个蚂蚁，并杀死蚂蚁At，新产生的蚂蚁选择n条路径