一种改进蚁群遗传混合智能算法在TSP问题中应用.docVIP

一种改进的蚁群遗传混合智能算法在TSP问题中的应用 　　[摘 要]蚁群算法、遗传算法作为两大仿生优化算法， 有其各自的适用域与局限性。原有的遗传融合蚁群算法虽然克服了基本蚁群算法的不足，优化效果得到了改善，但是由于两种算法混合，当求解问题规模变得越来越大时，求解步骤也会增多，从而使得求解速度会有所缓慢。本文改进算法采用信息素挥发因子自适应调整机制，调节算法收敛速度，保证算法的全局搜索能力，进而扩大解的搜索空间。同时根据公共路径降低蚁群算法运算时间，诱导蚁群寻找更优解，提高了其寻优能力和速度。仿真结果表明，改进后的算法在寻优能力，收敛速度及求解精度上均取到了较好的效果。 　　[关键词]蚁群算法；遗传算法；公共路径；自适应；TSP 　　中图分类号：TP301.6 文献标识码：A 文章编号：1009-914X（2014）15-0116-02 　　1 TSP问题 　　旅行商问题[1]（Traveling Salesman Problem，TSP）又称货郎担问题，是一个著名的组合优化问题，也是一个典型的、易于描述却难于处理的NP 完全问题。TSP在图论意义下常常被称为最小Hamilton圈问题，Euler等人最早研究了该问题，下面我们用数学的语言进行描述：记G=（V，E）为赋权图，为顶点集，E为边集，各顶点间的距离已知 设 　　则经典的TSP问题可写为如下的数学规划模型 　　这里为集合S中所含图G的定点数.第一个约束和第二个约束意味着对每个点来说，仅有一条边进和一条边出；第三个约束则保证了没有任何子回路解的产生干是，满足前三个约束的解构成了一条Hamllton回路.当时，问题被称为是对称型TSP.当对所有，有不等式成立时，问题被称为是满足三角不等式的，简记为。 　　2 蚁群遗传混合智能算法 　　2.1 蚁群算法和遗传算法的融合思想 　　关于蚁群算法和遗传算法的融合目前有两种思想[2]：一种是在算法前期采用遗传算法，充分利用遗传算法的收索快速性、随机性、全局收敛性，产生有关问题的初始信息素分布；在算法后期采用蚁群算法，在有一定初始信息素分布的情况下，充分利用蚁群算法并行性、正反馈、求精解效率高等特点。该方法有效地改善了蚁群算法初期信息素匮乏的缺点，提高了求解效率，但是仍然存在容易陷入局部最优解的问题。 　　本文采用的另一种是将遗传算法引入到蚁群算法的每一次迭代中，使其进行更较力度的融合，遗传算法和蚁群算法通过更新全局最优解来相互指导。将蚁群算法中每次迭代得到较优解作为精英个体加入到遗传群体中形成初始种群，使遗传算法能够在一个较好的解空间范围内迭代进行，以提高遗传算法的求解效率和精度。然后将遗传算法产生的较优解替换蚁群算法中较差的解，作为当前最优路径来更新蚁群算法。交叉算子和变异算子的引入，能够有效地避免蚁群算法陷入局部最优。 　　2.2 蚂蚁群体移动规则 　　该算法中，第m只蚂蚁由城市i选择到下一个城市j的规则是：当时， 　　（1） 　　当时，蚂蚁根据转移概率公式（2）选择下一个点 　　（2） 　　（3） 　　式中：是一个给定的位于（0，1）之间的常数；是一个在（0，1）之间均匀分布的随机数；表示城市i和城市u之间路径上的信息素浓度；为两个城市之间的距离；信息启发式因子反映蚂蚁在运动过程中所积累的信息量（即残留信息量）在指导蚁群搜索中的相对重要程度；期望值启发式因子β反映蚂蚁在运动过程中启发信息（即期望值）在指导蚁群搜索中的相对重要程度；表示第m只蚂蚁当前的可行点集.由式（1）和式（2）组成的转移规则称为伪随机规则，此规则倾向于选择短且信息素浓度大的边作为移动方向。 　　2.3 信息素更新 　　每次搜索结束后，对每只蚂蚁的信息素按式（4）（5）（6）进行更新： 　　（4） 　　（5） 　　（6） 　　式中：k为蚂蚁总个数；为信息挥发率；为蚂蚁在本次循环中留在路径（i，j）上的信息量；为本次循环中所有经历过路径（i，j）的蚂蚁留在该路径上的信息量的增量；Q表示蚂蚁循环一周所释放的总信息量，是一个常数；为第m只蚂蚁在本次循环中所走路径的长度。这种信息更新规则正反馈性能强，能够提高系统收敛速度。信息挥发率，它变化直接关系到蚁群算法的全局搜索能力和收敛速度，直接影响整个蚁群系统的进化状态。为了使蚁群始终能够在“探索”和“利用”之间保持平衡，提高算法全局搜索能力，快速收于较优解。本文选用简单而有效的自适应策略[3-5]来调整，公式如下： 　　（7） 　　式中：为挥发因子调节系数；为的最小值。算法初期赋予较大的值，信息正反馈的作用占主导地位，以前搜索过的路径被选择的可能性较大，收敛速度比较快，但也很容易陷入局部最优解。后期逐渐降低的值，信息正反馈的作用会逐渐减至较弱，那些从未被搜索到的路径信息素增