嵌入小生境技术的自适应并行蚁群算法.docVIP

嵌入小生境技术的自适应并行蚁群算法 　　摘要：针对原始蚁群算法搜索能力不强、易陷入局部最优的问题，提出了一种自适应并行蚁群算法。通过引入“聚度”的概念，使新算法能充分利用学习机制、强化最优信息的反馈，而当算法处于停滞状态时，引入小生境技术重新初始化其它蚂蚁状态，用共享函数来阻止这部分蚂蚁向局部最优移动。通过仿真实验，验证了该算法的有效性和实用性。 　　关键词：蚁群算法；并行蚁群算法；小生境技术 　　中图分类号：TP18文献标识码：A文章编号：1009-3044(2008)34-1817-03 　　An Adaptive Parallel Ant Colony Method Based on the Niche Method 　　LI Xiang-li1, ZHOU Lin-cheng2 　　(1.Jiangsu College of Information Technology, Wuxi 214153, China;2.Wuxi Machinery and Electron Higher Professional and Technical School, Wuxi, 214028, China) 　　Abstract: A self-adaptive parallel ant colony algorithm based on the niche method is proposed to solve the local optimum problem of the original ant colony algorithm. This proposed algorithm makes full use of learning mechanism and intensifies the feedback of the optimal information. When the ant is stagnated, the niche method is applied to make some ants move to local optimum and others jump out from the local optimum by re-initialized status and by the effect of the sharing functions. An example is given to show the validity of the proposed algorithm. 　　Key words: ant colony algorithm; parallel ant colony system; niche method 　　1 引言 　　蚁群优化算法[1]是一种全局性邻域搜索算法，具有分布式计算、信息正反馈和启发式搜索的特征，易于与其它方法相结合。该算法得到了具有NP难度的旅行商问题(TSP) [2]的最优解，并应用到连续空间[3]和数据挖掘[4]中。但是蚁群算法也存在着一些缺陷。寻找“精解”和“快速收敛” 两者的平衡点成为蚁群算法发展和应用的关键。 　　并行蚁群算法[5]是最近提出的一种优化结果较好的算法，该算法将所有蚂蚁分为几个子种群，并进行种群间的信息交流。但是其子种群的规模的预先确定有很大的难度：若规模过大，则种群多样性容易被破坏，搜索能力下降；若过小，则使得搜索时间增加。因此，本文中引入“蚂蚁聚度”的概念[6]，通过设定“聚度阈值”来自动调整子种群的规模，提出了自适应的并行蚁群算法。传统的蚁群算法以及改进的Ant-Q System[7]和MAX-MIN[8]模型都存在着全局寻优能力不强的缺点，小生境技术[9]的引入正是为了解决这一问题。当自适应并行蚁群系统进入停滞阶段时，除了保留部分蚂蚁对局部最优点继续进行搜索外，其它的蚂蚁重新划分种群，并重新初始化信息素，然后对整个空间进行重新搜索。这样，在减少蚂蚁数量的时候也可以在信息量的“探索”和“利用”之间得到很好的平衡。通过对TSP问题进行计算，证明了该方法的有效性和可行性。 　　2 并行蚁群算法和小生境技术基本原理 　　2.1 并行蚁群系统(PACS：Parallel Ant Colony System) 　　在并行蚁群系统[5]中蚂蚁被分为几个不同的种群，并在一些合适的周期内，通过种群之间的信息交流策略来更新信息素。PACS与基本蚁群算法的主要不同在于：1）将所有蚂蚁分成若干个不同的种群；2）通过局部调整准则、全局调整准则和信息交流调整准则对信息素进行调整。 　　以n个城市的TSP问题为例说明PACS模型。首先作如下定义:G表示总的种群数目，Nk(K=1,2,…G)表示第k个种群中蚂蚁的个数，且满足蚂蚁总数m