蚁群算法的改进.docx

蚁群算法的改进鲍文杰1朱信忠1赵建民1徐慧英1（1、浙江师范大学梳理与信息工程学院，浙江 金华 321004）摘 要：本文提出加权值多态蚁群算法。在信息素初始化时加入权值，加大各条路径之间的信息素差异，利于蚂蚁快速进行路径选择；在概率选择过程中加入权值，提高蚂蚁搜索效率；采用了蚁周模型对信息素进行全局更新，并且设置了信息素最大值，避免算法陷入局部最优解。最后采用均匀分布的方法确定参数值，通过仿真实验结果表明，该方法在TSP问题中具有良好的稳定性和高效性。关键词：蚁群算法；权值；均匀分布；信息素中图分类号：TP301.6 文献标识码：AImproved Ant Colony AlgorithmBao WenJie1 , Zhu XinZhong1 , Zhao JianMin1 , Xu HuiYing1(1.School of Mathematical Information Engineering, Zhejiang Normal University，zhejiang jinhua 321004)Abstract：This paper proposes weighted value polymorphic ant colony algorithm. Added weight when pheromone initialization, increased pheromones differences between the paths, beneficial to the ants select path quickly; Added weight when select probability, improve ants search efficiency; Adopted Ant-Cycle System, updated the pheromones and set up the max pheromones , avoid the algorithm fall into local optima. Adopted evenly distribution method to determine parameter, simulation results show that the algorithm possesses good stability and efficiency.Key words: ants colony algorithm, weight, evenly distributed, pheromone1 引言（Introduction）旅行商问题（Traveling Salesman Problem，TSP）[1]，是一个经典的路径问题，它可以描述为：在n个城市的范围内，一个推销员要遍历范围内所有城市推销自己的商品。该推销员从一个城市出发，需要经过所有给定的城市后，最后回到出发地的最小路径成本，故也常被称作“推销员问题”。从图论的角度看，也就是找出一个最短封闭路线的问题[2]。TSP问题是数学领域中一个非常经典的问题之一。蚁群算法根据蚂蚁的群体行为特性，模仿自然界中的蚂蚁寻找食物到蚁巢之间最短路径的行为，寻找搜索问题的最优解。在自然界中真实蚂蚁在寻找食物过程中，能够在其走过的路径上释放一种分泌物，称之为“信息素”，蚂蚁可以根据路径上的信息素浓度来决定前进的方向。早在1911年，意大利学者Dorigo M受到启发，在他的博士论文中提出了蚁群算法。2 蚁群算法的数学模型(Ants colony algorithm)设m表示蚁群中蚂蚁的总数量；n表示城市个数；表示城市的坐标；表示城市i和城市j之间的距离；表示t时刻路径上的信息素浓度；表示t时刻城市i和城市j之间的启发程度，通常取；为信息素启发因子；为期望启发因子；ρ为信息素挥发因子，表示在时间内衰减的系数； 表示t时刻路径上的信息素增量； 表示在t时刻，蚂蚁k从城市i转移到城市j的概率； 表示蚂蚁k禁忌表；将m只蚂蚁放置在n个城市上，每个蚂蚁通过感知该城市周围路径上的信息素浓度，按照下式选择下一步即将访问的城市， 显然，蚂蚁转移概率与信息素浓度成正比，而与路径长度成反比，也就是说，信息素浓度越大，路径越短，蚂蚁选择这条路径的概率就越大。当蚂蚁遍历了地图上所有城市后，完成一次循环，记为蚂蚁k走过的路径长度，并保存最短路径。此时清空禁忌表中的所有元素，并把当前所在城市添加到禁忌表中，准备进入下一次遍历[3]。路径上的剩余信息素会随着时间的流逝慢慢挥发，各条路径上的信息量按照以下规则更新。其中，表示信息素残留系数。Dorigo M给出了三种不同的基本蚁群算法模型，用以针对各类不同的信息素更新机制，分别是蚁周模型、蚁量模型和蚁密模型。3 加权值多态蚁群算法(