基于蚁群算法的TSP问题求解.docVIP

基于蚁群算法的TSP问题求解 　　摘要：蚁群算法(Ant Colony Algorithm)是一种受自然界蚂蚁群体觅食行为启发而提出的进化计算算法，针对TSP 实验结果表明，蚁群算法是求解TSP 的一种有效的算法。 　　关键词：蚁群算法；旅行商问题；信息素 　　中图分类号：TP301 文献标识码：A 文章编号：1009-3044(2010)20-5570-02 　　An Ant Colony Algorithm for Solving Traveling Salesman Problem 　　PENG Dong-hai, YUAN Hui-yong 　　(The Department of Computer Science, Hunan Insitute of Humanities Science and Technologe, Loudi 417000, China) 　　Abstract: ACA is an evolutionary computation algorithm inspired by a group of natural ants foraging behavior. Simulation tests for TSP have illustrated that the algorithm is effective to solve TSP. 　　Key words: ant colony algorithm; traveling salesman problem; pheromone 　　 意大利学者M.Dorigo在自然界蚂蚁行为的启示下提出了蚁群算法，并应用该算法求解图着色问题、车辆调度问题、集成电路设计以及通信网络负载问题等，取得了较好的结果。 　　自然界的蚂蚁利用一种外激素物质进行信息个体间传递，蚂蚁在经过的路上留下生物信息素，而且蚂蚁在移动时就能感知到生物信息素的浓度,蚂蚁趋向于向生物信息素浓度高的方向爬行。因而蚁群的行为就会显现生物信息素的正反馈现象（哪条路上经过的蚂蚁越多，后面蚂蚁选择该条路径的几率越大）。 　　1 蚁群算法的TSP问题求解 　　1.1 TSP问题 　　旅行商问题是个著名的NP问题:一个商人要到若干城市推销物品，从1个城市出发，要到达其他各城市一次，而且最多一次，最后又回到第一个城市，寻找一条最短路径H = (h1, h2,h3,…hn),使得下列目标函数最小： 　　 （1） 　　上式中hi为城市号（值为1到n之间的自然数），d(hi, hj)表示城市i和城市j之间的距离。若把每个城市看成是图上的节点，则TSP 问题就是在有n 个节点的完全图上寻找一条花费最少的哈密顿回路。 　　1.2 蚁群算法(ACA)模型 　　我们用求解平面上n个城市的TSP问题来说明蚁群算法模型。假如将m只蚂蚁放到给定的n个城市中，构造一个人工的蚁群系统，其中每只蚂蚁的行动应当符合下述要求：1）每只蚂蚁根据路径上的生物信息素的浓度，以一定概率来选取下一个城市；2）蚂蚁不能在本次遍历中选取已走过的城市作为下一个城市；3）蚂蚁完成一个遍历后，就更新蚂蚁所经过路径上的信息素浓度。 　　蚂蚁选择下一个城市的概率主要是以下两点来决定： 　　1）τij(t)是指在t时刻城市i和城市j之间的路径上生物信息素浓度；当然初始时，各条路径上的生物信息素浓度是相同的，设τij(0)=c（C为常数），用来模拟真实蚂蚁的生物信息素。 　　2）ηij是指蚂蚁从城市i转移到城市j的启发信息，这个启发信息是根据具体问题给出的，比如：TSP问题中一般取ηij=100/dij （dij一般指城市ij之间的距离）。 　　这样，t时刻位于城市i的蚂蚁k选择城市j为下一城市的概率的计算公式如公式2所示： 　　 （2） 　　其中：α是信息素因子，表示路径的相对重要性，反映生物信息素对蚂蚁的移动影响，该值越大，则该蚂蚁越趋向于选择生物信息素浓度大的路径，蚂蚁之间协作性越高。β是启发因子，表示启发值的相对性，表明启发信息对蚂蚁选择城市的影响程度，该值越大，则状态转移概率越接近于贪婪规则。allowk=(0,l,2,3,…,n-1)-tablek 表示蚂蚁k下个可以选择的城市。tablek用于记录第k只蚂蚁已走过的城市，该表随着算法的进行做动态调整。Pkij(t)是指在t时刻第k只蚂蚁由城市i到城市j的选择几率。 　　蚂蚁完成所有城市的遍历后，生物信息素按照如公式3的方法来更新： 　　 （3） 　　其中：△τij(t)是蚁群在路径(i，j)上散发信息素之和，定义如公式4： 　　 （4） 　　q是信息素挥发因子，1-q是生物信息素的留存系数，q的取值范围是0和1之间。 　　1.3 实现步骤