蚁群算法的改进与实现8.docVIP

蚁群算法的改进与实现 作者：何巧亮　　指导老师：吴超云 摘要 近年来蚁群算法的研究有了很大的进展，本文介绍了一种基于信息素更新的蚁群算法—最优-最差蚂蚁系统.该算法通过对局部信息素、全局信息素更新的改进，以及对最优解进行更大限度的增强和对最差解的削弱，使得属于最优路径的边与属于最差路径的边之间的信息素量差异进一步增大，从而使得蚁群的搜索行为更集中于最优解的附近.最后通过仿真实验，证明了改进算法可以得到最优解，且收敛速度比一般的蚁群算法更快. 关键词 蚁群算法　TSP　信息素　 1 引言 蚁群算法（Ant Colony Algorithm）是通过对自然界中真实的蚁群集体行为的研究而提出的一种基于种群的模拟进化算法.该算法属于随机搜索算法，由意大利学者M.Dorigo等[1]首先提出.该算法充分利用了蚁群搜索食物的过程来求解TSP，为了区别于真实蚂蚁群体系统，称该算法为“人工蚁群算法”.用蚁群方法求解NP-complete问题如TSP问题[2]、分配问题以及job-shop调度问题等，取得了较好的试验结果.蚁群算法的近10年来的研究表明：蚁群算法用于解决组合优化问题时具有很强的发现解的能力，且具有分布式计算、易于与其它方法结合、鲁棒性强等优点，在动态环境下表现出高度的灵活性和健壮性.除了业已得到公认的遗传算法、模拟退火算法、禁忌搜索算法、神经网络算法等热门进化类方法，新加入的蚁群算法也开始崭露头角，为复杂困难的系统优化问题提供了新的求解方法.尽管一些思想尚处于萌芽时期，但人们已隐隐约约认识到，人类诞生于大自然，解决问题的灵感似乎也应该来自于大自然.这种由欧洲学者提出并加以改进的新颖系统优化思想，正在吸引着越来越多的学者的关注和研究，应用范围也开始遍及到许多科学技术和工程领域. 蚁群算法在运算过程中，蚁群的转移是由各条路径上留下的信息量强度和城市之间的距离来引导的.蚁群运动的路径总是趋近于信息量最大的路径.通过对蚁群以及蚁群算法的研究表明，不论是真实蚁群还是人工蚁群系统，通常情况下，信息量最强的路径与所需要的最优路径比较接近.然而，信息量最强的路径不是所需要最优路径的情况仍然存在，而且在人工蚁群系统中，这种现象经常出现.这是由于在人工蚁群系统中，路径上的初始信息量是相同的，蚁群创建的第一条路径所获得的信息主要是城市之间的距离信息，这时蚁群算法等价于贪婪算法.第一次循环中蚁群在所经过的路径上留下的信息不一定能反映出最优路径的方向，特别是蚁群中个体数目较少或者所计算的路径组合较多时，就更不能保证蚁群创建的第一条路径能引导蚁群走向全局最优路径.第一次循环后，蚁群留下的信息会因为正反馈作用使得这条路径不是最优的路径，而且可能使离最优路径相差很远的路径上的信息得到不应有的增强，从而阻碍以后的蚂蚁发现更好的全局最优路径. 不仅是第一次循环所建立的路径可能对蚁群产生误导，任何一次循环，只要这次循环所利用的信息较平均地分布在各个方向上，这次循环所释放的信息素就可能会对以后蚁群的决策产生误导.因此蚁群所找出的解需要通过一定的方法来增强，使蚁群所释放的信息素尽可能地不对以后的蚁群产生误导. 同时，蚁群算法存在搜索时间长、易于停滞的缺点.近年来的研究表明，在解的质量和最优解的距离之间存在着一定的关系.因此将搜索集中于搜索过程中所找出的最优解的周围，是这些改进算法提高算法性能的基本着重点. 2　基本蚁群算法系统模型 基本蚁群算法系统是我们研究改进的蚁群算法的基础，在近年的研究中起着极其重要的作用，下面我们将引入其模型以及相关改进算法的说明. 2.1 TSP问题下的基本蚁群算法 Ant System最先用于求解旅行商问题(TSP),下面就以TSP问题为例来说明Ant System.设m为蚁群数量；为城市i，j之间的距离；为t时刻连接城市i和j的路径(i,j)上的残留信息量，初始时刻各路径上信息量相等，设（为常数）表示城市i转移到城市j的期望程度，可根据某种启发式算法具体确定，在TSP问题中一般取. 蚂蚁k(k=1,2,…,m)根据各条路径上的信息量决定转移方向，t时刻蚂蚁k从城市i向城市j转移的概率计算式为 （2.1） 式中,jallowed，sallowed，allowed={0,1,…,n-1}-tabu表示蚂蚁k下一步允许选择的城市.与自然蚁群系统不同之处在于人工蚁群系统具有一定的记忆力, tabu（k=1,2,…,m）用于记录蚂蚁k所走过的城市,集合tabu随着进化过程进行动态调整.人工蚁群保留了自然蚁群信息素挥发特点,随着时间的推移,以前留下的信息逐渐消逝,参数 ()表示信息素的持久性，1-则表示信息素的衰减度.在每只蚂蚁完成对所有城市(