基于信息素更新和挥发因子调整改进蚁群算法汇编.doc

基于信息素更新和挥发因子调整改进蚁群算法 张永强 （西安工程大学 理学院，陕西 西安 710048）Improved ant colony optimization algorithm based on pheromone updating and evaporation factor adjusting ZHANG Yong-qiang , WANG Xiao-dong (School of Science, Xi’an Polytechnic University, Xi’an 710048, China) Abstract: The basic ant colony algorithm converges slowly, is prone to plunge into partial optimum and results in search stagnation. In this paper, an improved ant colony algorithm is proposed. New algorithm introduces positive and negative feedback regulation of pheromone increment size, and the pheromone evaporation factor randomized to adjust the amount of pheromone on the path. The simulation results of traveling salesman problem show that improved algorithm has been better path length is 15438 than the basic ant colony algorithm(15602). Key words: ant colony algorithm; pheromone; TSP 针对蚁群算法易陷于局部最优解，搜索时间长等缺点，大量工作.为了克服算法停滞现象，限制了残留信息量，德国学者Thomas sttzle与Jolger Hoos提出了最大最小蚁群系统，将各条路径上的信息素浓度限制在范围内，避免某条路径的信息量远大于其他路径，使蚂蚁过于集中.针对蚁群算法存在的搜索时间长、易限于局部最优解等缺陷，[2]提出；侯文静，马永杰等[]提出了一种改进的蚁群算法，通过在初始化信息素矩阵中采用候选节点列表减少劣质解，在局部搜索中采用聚类进行二次搜索，缩小了算法的搜索范围、改善了解空间的质量，提(高了搜索速度；柳长安，鄢小虎等[]提出了根据目标点自适应调整启发函数，提高算法的收敛速度，借鉴狼群分配原则对信息素进行更新，避免搜索陷入局部最优；申铱京，刘阳阳等[]提出了一种改进的蚁群算法，改进算法采用信息素挥发因子自适应调整机制，调节算法收敛速度，保证算法的全局搜索能力从蚁群算法的路径选择、信息素更新准则、局部搜索与全局搜索等方面做了. 本文针对基本蚁群算法存在易陷入局部最优解、收敛速度慢等缺点，通过比较当前路径长度与平均路径长度大小，若当前路径长度小于平均路径长度，则运用正反馈调节信息素增量；若当前路径长度大于平均路径长度，则运用负反馈调节信息素增量；并用(0,1)上的一个随机变量代替信息素挥发因子，使得蚁群算法自动调整路径上的信息素量，进而改进蚁群算法，并将改进后的蚁群算法运用到TSP路径优化中，得到了比基本蚁群算法更优的路径. 1 蚁群算法 蚁群算法是由意大利学者Dorigo M等在20世纪90年代初提出的一种新型的模拟进化算法.每只蚂蚁开始搜索时是从任意一个节点出发，在时刻以概率选择下一个节点，此概率计算公式如(1)式所示： (1) 其中表示的是信息素的重要程度，表示的是启发因子的重要程度，表示的是指没有访问过的节点，表示在时刻第只蚂蚁在节点选择节点的概率，表示路径上的启发因子；在路径上留下的信息素大小，在节点每被访问一次，都会以一定的方式更新信息素的表达式为： (2) 其中表示信息素因子，初始时刻，按(8)式变化： = (3) 其中表示一次旅游结束后蚂蚁目前访问的总路径长度是常量 (4) 其中表示信息素增量，为第次搜索经过路径的总长度，表示在第次搜索之前搜索过的所有路径的平均长度，表示信息素因子，是常量因子是(0, 1)上的一个常数，如果给定的过大，则路径上的信息素量减少，导致算法收敛速度降低，但可以使蚂蚁遍历所有路径，有助于蚂蚁找到全局最优路径；若给定的偏小，路径上的信息素量将增大，使算法急剧收敛，虽