计算智能大作业--蚁群算法解决TSP问题.doc

（计算智能大作业） 应用蚁群算法求解TSP问题  目录 蚁群算法求解TSP问题 3 摘　要： 3 关键词： 3 一 、引言 3 二、蚁群算法原理 4 三、蚁群算法解决ＴＳＰ问题 7 四、解决ｎ个城市的TSP问题的算法步骤 9 五、程序实现 11 六、蚁群算法优缺点分析及展望 18 七、总结 18 采用蚁群算法解决TSP问题 摘　要关键词 TSP（Travelling Salesman Problem）又称货郎担或巡回售货员问题。TSP问题可以描述为：有N个城市，一售货员从起始城市出发，访问所有的城市一次，最后回到起始城市，求最短路径。TSP问题除了具有明显的实际意义外，有许多问题都可以归结为TSP问题。目前针对这一问题已有许多解法，如穷举搜索法（Exhaustive Search Method）, 贪心法（Greedy Method）, 动态规划法（Dynamic Programming Method）分支界定法（Branch-And-Bound），遗传算法（Genetic Agorithm）模拟退火法(simulated annealing),禁忌搜索。本文介绍了一种求解TSP问题的算法—蚁群算法，并通过matlab仿真求解50个城市之间的最短距离，经过仿真试验，证明是一种解决TSP问题有效的方法。 20世纪90年代，意大利学者M.Dorigo等人在新型算法研究的过程中，通过模拟自然界蚂蚁的觅食过程：即通过信息素（pheromone）的相互交流从而找到由蚁巢至食物的最短路径，提出了一种基于信息正反馈原理的新型模拟进化算法——蚁群算法（Ant Colony algorithm）。 蚁群算法是继遗传算法、人工神经网络等算法之后的又一种启发式算法，它的基本原理借鉴了这样一个客观事实：蚂蚁由自组织的合作能力所产生的群体智能来寻找路径，它被认为是用于解决组合优化问题的又一种新方法。蚁群算法是一种适应性好、鲁棒性强,具有正反馈结构的并行算法。这些初步研究已显示出蚁群算法在求解复杂优化问题(特别是离散优化问题)方面的一些优越性,证明它是一种很有发展前景的方法。蚂蚁算法在各个领域的应用,说明该算法有着广泛的适应性,但由于该算法出现的较晚,对其研究还处于起步阶段,远不如遗传算法、人工神经网络和模拟退火算法那样成熟。 二、蚁群算法原理 蚁群算法的基本原理来源于自然界蚂蚁觅食的最短路径原理，根据昆虫学家的观察，发现自然界的蚂蚁虽然视觉不发达，但它可以在没有任何提示的情况下找到从食物源到巢穴的最短路径，并且能在环境发生变化（如原有路径上有了障碍物）后，自适应地搜索新的最佳路径。蚂蚁是如何做到这一点的呢？ 原来，单个的蚂蚁为了避免自己迷路，它在爬行时，同时也会释放一种特殊的分泌物——信息素（Pheromone），而且它也能觉察到一定范围内的其它蚂蚁所分泌的信息素，并由此影响它自己的行为。当一条路上的信息素越来越多（当然，随着时间的推移会逐渐减弱），后来的蚂蚁选择这条路径的概率也就越来越大，从而进一步增加了该路径的信息素浓度，这种选择过程称为蚂蚁的自催化过程，其原理是一种正反馈机制。 这里我们可以用一个图来说明蚂蚁觅食的最短路径选择原理，如图2-1所示。 图2-1 蚁群觅食原理 如图2-1（a）所示，我们假设A点是食物，而E点是蚂蚁的巢穴，当A、E两点间没有任何障碍物阻挡时，蚂蚁不存在路径选择的问题，这种情况最简单：由于两点间直线距离最短，蚂蚁们搬运食物时，会以直线的形式往返爬行。 但在图2-1（b）中的情形有所变化，若某时刻忽然有一个障碍物出现在蚂蚁经过的路径中，原有的路径被切断，那么从A点到E点的蚂蚁就必须在B点决定应该往左还是往右走，而从E点到A点的蚂蚁也必须在D点决定选择走哪条路径；这种决定会受到各条路径上以往蚂蚁留下的信息素浓度（即残留信息素浓度）的影响。如果往右走的路径上的信息素浓度比较大，那么右边的路径被蚂蚁选中的可能性也就大一些；但是对障碍出现后第一个到达B点或D点的蚂蚁而言，因为没有信息素的影响，所以它们选择向左或者向右的可能性是一样的，（b）图所表示的正是此时的情况。 若以从A点到E点的蚂蚁为例进行说明（对于从E点到A点的蚂蚁而言，过程也基本是一样的），由于路径BCD比路径BHD要短，因此选择BCD路径的第一只蚂蚁要比选择BHD的第一只蚂蚁早到达D点；此时，从D点向B点看，路径DCB上的信息素浓度要比路径DHB上的信息素浓度大。因此从下一时刻开始，从E点经D点到A点的蚂蚁，它们选择DCB路径的可能性要比选择DHB路径的可能性大得多，从而使路径BCD（或DCB）上信息素浓度与路径BHD（或DHB）上信息素浓度的差变