改进蚁群算法及参数优化研究.docVIP

改进蚁群算法及参数优化研究 　　摘 要 蚁群算法因其较强的并行性、鲁棒性和正反馈性，在优化组合领域得到很好的应用。但应用中易发生停滞、陷入局部最优，收敛慢等不足。为了对算法的性能有进一步的提高，本文针对存在的不足，提出了相应改进。本文从算法本身和组合参数优化两方面进行优化，在最大最小蚁群基础上引入“赏罚”机制，并结合微粒子群算法调优蚁群算法的参数组合。本文选用常见的组合优化问题，公交调度优化问题，进行验证和比较。仿真对比结果表明，本文对蚁群算法的优化方案是可行有效的。 　　【关键词】蚁群算法 赏罚机制 微粒子群 参数调优 公交调度优化 　　自从Dorigo M等人在真实蚂蚁行为的启发下提出蚁群算法，已经取得了许多成果。蚁群算法凭借着较强的并行性、鲁棒性和正反馈性等特点，被应用于各个领域，其中在求解组合优化问题方面最为抢眼，如著名的TSP问题、任务指派、规划网络路由等许多复杂的组合优化问题。蚁群算法发展至今，尽管取得了巨大的收获，但也存在许多不足。针对现有的蚁群算法的不足，本文一方面对算法本身改进，另一方面引入优化算法调优算法参数。 　　1 问题提出 　　本节分析蚁群算法优缺点，探讨不足之原因，蚁群算法利用特有的正反馈特性，使得算法具有较高的自组织能力。然后系统内部成员之间分布式运行，成为一个统一体。正反馈机制使虽然能强化较好解，但却使算法出现停滞现象，即只取得了局部最优解就停止，而未达到全局最优解。 　　易早熟，求解问题解的时候过早的陷入局部最优解。正反馈的存在，算法运行到一定程度，信息素的贫富加剧，使得算法在局部区域摇摆，不向其他方向搜索，全局搜索能力降低。全局收敛速度慢，随机性发挥着较大作用。算法的效果和参数设置敏感，算法参数相互影响，在设置相关系数的时候要注意相互的耦合关系。针对算法上面这些不足，本文对算法本身提出改进，同时结合具体的优化问题，结合微粒子群算法对算法主要参数的进行调优。 　　2 优化蚁群算法 　　2.1 引入“赏罚”机制 　　蚂蚁个体依据信息素浓度进行路径选择。算法的正反馈性，无论搜索到的解如何，所有被搜索到的路径上的信息素都会在一定程度上得到增强，所以存在不公平竞争。本文引入“赏罚”机制，即奖励表现好的路径，惩罚不好的路径。每当蚂蚁所有任务点完成一次遍历后的路径与之前的最优路径相比较，若此路径更优则在该路径上增加一定浓度的信息素，该路径暂时最优，以增加下次遍历时选择该路径的概率；反之，若路径不是最优则要在该路径上减少一定浓度的信息素，以减小下次被选中的概率。 　　上式（1）中参考因子用σ表示，历史路径最优解用Lb（t）表示；Lc（t+1）为当前路径。具体的奖惩为：当0，当前路径最佳，该路径信息素将会增加，随着信息素的增加对其“奖励”；当0，当前路径并非最佳，该路径信息素将会减少，随着信息素的减少对其“惩罚”。 　　2.2 最大最小蚁群系统 　　为了避免某些路径上的信息素浓度过高，出现早熟停滞。为此，引入最大最小蚂蚁系统。路径上的信息素的值域为，即当信息素的值溢出该范围时，将会被改为或，在最大最小蚂蚁系统中和的设置好坏直接关系到最优解的好坏，公式如下： 　　2.3 信息素更新策略的改进 　　2.3.1 信息素全局更新策略的改进 　　在每次迭代构建解空间后，记录所有蚂蚁构建的可行解的路径长度，然后与当前最优解的路径长度进行比较。若长度小于当前最优解的长度，则该路径上的蚂蚁在其经过的路径上释放相应的信息素，反之，不释放信息素。这样保持了算法的朝向是持续优化，而又防止算法过早地陷入局部最优解。节点Ci到节点Cj之间路径上的信息素量更新公式： 　　2.3.2 信息素局部更新策略的改进 　　依据前文讲述的赏罚机制，蚂蚁在构建解的过程中对经过的路径上的信息素进行局部更新，去除掉该路径上的一些信息素，以有利于后面的蚂蚁探索其他路径解，提高其探索的概率，避免进入停滞或者局部最优解。对于某蚂蚁个体，当其经过一条路径（i，j）时，立即对此路径上的信息素进行更新。 　　2.4 引入状态转移控制参数 　　状态转移规则为了让该系统中的蚂蚁可以更合理的利用新路径和问题的先验知识。本文引入随机变量，用于伪随机比例规则和轮盘赌两个状态转移策略进行选择。这样平衡了开发当前路径与探索其他新路径之间的比例关系。当时，让蚂蚁选择信息素量的γ次幂和启发式的信息的φ次幂的相乘结果最大运行；反之，采用轮盘赌的策略来运算下一个城市作为访问节点的概率。 　　2.5 小结 　　在最大最小蚁群系统基础之上引入“赏罚”机制，然后从全局和局部优化算法信息素浓度的更新策略，加入不同状态变化概率对算法进行优化和改进。 　　3 调优算法参数 　　算法关键参数：浓度消逝速度ρ、信息素因子φ、启发因子γ、蚂蚁的数量规模