蚁群算法中参数设置对其性能影响的研究.doc

蚁群算法中参数设置对其性能影响的研究 杜衡吉 李 勇 ， （曲靖师范学院计算机科学与工程学院， 曲靖 655011） 摘 要： 蚁群算法是一种新型的仿生智能算法，但由于算法中参数众多 ，各种参数值的设置对蚁群 算法的性能影响很大。 因此，蚁群算法中各参数的合理设置是十分关键的，这也是蚁群算法 研究的一个难点问题。 对蚁群算法的基本原理进行详细介绍，对蚁群算法中各参数对其性 能的影响以及各参数的合理设置进行分析研究。 关键词： 蚁群算法； 算法性能； 参数设置； 组合优化 引 言 蚁群算法(Ant Colony Optimization, ACO) 又称蚂蚁 算法，是一种用于求解组合优化问题的仿生智能算法， 由意大利学者 Dorgio 等人于 1991 年，受蚂蚁群体的短 路径觅食行为启发而提出的，具有分布式并行计算、正 反馈、鲁棒性较强等特点。 最初提出的蚁群算法是为了 解决 TSP 问题的，但经过近二十年的发展,蚁群算法如 今已在旅行商问题、工件排序问题、图着色问题、大规 模集成电路设计、车辆调度问题、负载平衡问题，以及 网络路由优化问题等方面取得了广泛的应用[1]。 但是由 正反馈现象， 最终所有的蚂蚁都会选择信息素浓度最 强也即距离最短的路径进行觅食[2]。 蚁群算法则正是模 拟蚂蚁的这种觅食行为的一种仿生优化算法， 由于蚂 蚁的这种觅食行为与传统的 TSP 问题十分相似，因此， 最初的蚁群算法也是以解决 TSP 问题为应用背景的。 下面以 TSP 问题为例解释说明蚁群算法的基本原 理。传统的 TSP 问题可以描述成 G=（C，E）的形式，其中 C= （c1，c2，…，cn）为 n 个城市构成的集合，E=｛eij|i，j∈n｝ 0 为 n 个城市之间的路径构成的边集合。 则蚁群算法的 基本原理是人工蚂蚁从源城市出发找出一条通往目标 城市的最短路径。 为： 蚂蚁选择路径的状态转移规则（1） 于蚁群算法中参数众多， 各种参数值的设置对蚁群算 法的性能影响很大。 因此，加强蚁群算法参数设置方面 的研究进而提高蚁群算法的性能， 对进一步推广蚁群 算法在各个领域的应用具有十分重要的意义。 Σ Σ Σ α（t）η β（t） Γij ij ，s奂allowedk Σ Σ Σ Σ α（t）η β（t） Γij ij Pij k（t）= （1） Σ Σs奂allowedk Σ Σ0，otherwise Σ 蚁群算法的基本原理 自然界中的蚂蚁视觉系统绝大部分发育不全，甚 1 k（t）表示 t 时刻蚂蚁 k（k=1，2，… ，m）由城市 i 转 Pij 移到城市 j 的概率；ηij（t）表示从城市 i 转移到城市 j 的 启发信息，一般取 ηij（t）=1/dij； dij 表示城市 i 与城市 j之间 的距离（i，j=1，2， … ，n）； Γij （t） 表示 t 时刻在 eij 边上残 留的信息量，在初始时刻 Γij （0）=c（c 常取为 0）；α 为信 息素的重要程度；β 为启发信息的重要程度； allowedk= ｛1，2， …，n｝-tabuk 表示蚂蚁 k 下一步允许选择的城市 至根本没有视觉系统， 但是它们却可以依靠一种称之 为信息素（Pheromone）的物质来进行彼此之间的交流。 每只蚂蚁在觅食的过程中， 会在它所经过的路径上释 放一定量的信息， 并且通过感知路径上存在的信息强 度来选择路径， 这样整个蚂蚁群就表现为一种信息素 收稿日期：2012-03－23 修稿日期：2012-05－04  个时刻，蚂蚁完成一次周游过程后，边 eij 上的信息素可 时，蚂蚁以往走过路径上留下的信息素挥发较快，蚂蚁 根据（2）式进行调整。 以往路径上的信息量减小到接近于 0，以前搜索过的路 径被再次选择的可能性过大， 算法的随机性能和全局 ΣΓij（t+n）=（1－ρ）Γij（t）＋ΔΓij（t） Σ Σ Σ n 搜索能力都会被减弱。 反之，如果 ρ 过小，虽然可以提 高算法的随机性能和全局搜索能力， 算法的收敛速度 却被大大减慢。 因此，设置适当的信息素挥发因子对于 （2） Σ ΣΔΓij（t）＝ΣΔΓij （t） Σ k Σ Σ k=1 Γij（t+n）表示在 t+n 时刻路径 eij 上的信息素；ρ 表示 信息素挥发系数，ρ∈（0，1）；O 表示在本次循环中路径 提高算法的全局搜索能力和收敛速度都至关重要。 关 上 eij 的信息素增量； ΔΓij （t）表示第 k 只蚂蚁在本次循 k 于信息素挥发因子对蚁群算法的影响， 实验可将参数 环中留在路径 eij 上的信息素。 式（3）进行计算。 其中 ΔΓij （t）可按如下公 k 设置为 m=10、Q=100、α=1、β=5， 停止条件为