蚁群算法优化_基于局部信息素更新.docVIP

2012 年 8 月 第 29 卷第 8 期 湖北第二师范学院学报 Journal of Hubei University of Education Aug． 2012 Vol． 29 No. 8 蚁群算法优化———基于局部信息素更新 余 慧 ( 湖北第二师范学院 计算机学院，武汉 430205) 摘 要: 由于常规蚁群算法容易陷入局部最优，出现停滞现象等问题，本文采用了城市选择策略，局部信息素更新策略， 最优解预测策略和局部优化策略对蚁群算法进行优化改进，提出了基于局部信息素更新的思想。并通过一些 TSP 问题 对改进的蚁群算法进行验证。实验结果表明改进后的蚁群算法在求解一些 TSP 问题上可以得到比目前所了解的最优解 更满意的解。 关键词: 蚁群算法; 局部信息素更新策略; 最优解预测策略; 局部优化策略 中图分类号: O657． 3 文献标识码: A 文章编号: 1674-344X( 2012) 08-0009-04 基金项目: 湖北省教育厅 2011 年度科学技术研究计划指导性项目( 作者简介: 余 慧( 1976 － ) ，女，湖北武汉人，讲师，硕士，研究方向为计算机应用。 蚁群优化算法( Ant Colony Optimization) 是通过模 拟自然界蚂蚁寻食行为的一种进化算法，是 20 世纪 90 年代，意大利的 M Dorlgo 等学者从生物进化的机理 中受到启发提出来的［1 ～ 2］。研究结果表明: 蚁群算法 具有分布式计算、易于与其他方法相结合、鲁棒性强等 优点［2］。在求解 TSP［3］( Traveling Salesman Problem) ， QAP ( Quadratic Assignment Problem ) ，JSP ( Jobshop Scheduling Problem) 等组合优化问题中，取得了极大的 成功，但同时也存在一些缺点，其中最大的问题就是在 求解过程中容易出现停滞现象，陷入局部最优。十多 年以来，大批的学者和科研工作者对蚁群算法进行了 充分的研究，提出了大量对标准蚁群算法改进的算法， 如最大最小蚂蚁系统［4］，免疫算法与蚁群算法相结 合［5 ～ 6］，遗传算法与蚁群算法相结合［7 ～ 9］等。本文将 在简要的介绍蚁群算法和 TSP 问题的基础上，详细地 论述在蚁群算法中引入城市选择策略、局部信息素更 新策略、最优解预测策略和局部优化策略，并选用一些 TSP 问题做实验。 1 蚁群算法 路径。蚁群算法就是模拟蚂蚁群体觅食机理，构造一 定数量的人工蚂蚁，每个人工蚂蚁以路径上的信息素 强度大小为参考，选择前进路径，当所有蚂蚁均完成 1 次搜索后，再对信息素强度进行 1 次全局更新。通过 反复迭代，最终大多数蚂蚁将沿着相同的路线( 最优 路线) 完成搜索。 蚁群算法解决 TSP 问题模型。我们采用 n 个城 1． 2 市( 1，2，Λ，i，Λ，n 为城市编号) 的 TSP 问题来解释基 本蚁群算法。n 城市 TSP 问题就是无重复经过 n 座城 市时走过的路程最短的问题。 首先引入 TSP 问题中的常用符号: m 为蚁群中蚂蚁的数量，Dij 为城市 i 和 j 之间距 离，τ 为边( i，j) 上残留信息素数量，η 为边( i，j) 上的 ij ij 启发因子 ηij = 1 / Dij ，Tabuk 为蚂蚁 k 的禁忌表( 记录蚂 蚁 k 已经走过的路径) ，Δτk ij 为第 k 只蚂蚁在边( i，j) 留 下的信息素量，Lk 第 k 只蚂蚁环游一次所走的路程。 初始时各路径上信息素的量相等: τij = C( C 为非 零常数) ，蚂蚁 k( k = 1，2，Λ，m) 被随机的放在某个城 市，然后根据各路径的信息素量，选择下一个城市，从 城市 i 向城市 j 的概率 Pk ij ，在 t 时刻，计算如下: 蚁群算法原理。在自然界里，蚁群觅食时是通过 1． 1 τα β ij ( t) ηij ( t) ? ?，( 1) 个体之间的信息交流与相互协作找到从蚁穴到食物的 最短路径的。蚂蚁在运动过程中，能够在所经过的路 径上留下一种被称为“信息素”的物质，而且每个蚂蚁 都能感知信息素的存在及其强度，并且会朝着信息素 强度高的方向移动。所以，在大量蚂蚁集体觅食的过 程中，某一路径上走过的蚂蚁越多，后来的蚂蚁选择该 路径的几率就越大，从而就会留下更多的信息素。再 下一个时间内，这条路径被其他蚂蚁选择的可能性也 就越大，进而最终确定为一条所有蚂蚁都选择的最短 ， j∈allowed k ∑ τis ( t) ηis α β Pk ij ( t) = s∈allowed 0 k other 式中: allowed ( 1，2 …，n) 表示蚂