基于新型信息素更新策略蚁群算法.docVIP

基于新型信息素更新策略蚁群算法 　　摘 要:深入研究了蚁群优化算法(ACO)的路径搜索及参数控制策略,分析了其存在的缺陷。为了提高ACO算法的解题能力,提出一种新型信息素更新策略(PACS),然后将PACS算法与其他蚁群算法分别应用于旅行商问题(TSP)进行仿真实验。仿真结果表明,PACS算法具有优良的全局优化性能,可抑制算法过早收敛于次优解,有效防止了停滞现象,收敛速度也大大加快。 　　关键词:蚁群算法; 旅行商销售问题; 参数控制; 信息素 　　中图分类号:TP301.6文献标志码:A 　　文章编号:1001-3695(2010)06-2080-04 　　doi:10.3969/j.issn.1001-3695.2010.06.024 　　 　　Ant colony algorithm based on new pheromone updated strategy 　　 　　CEN Yu-sen1, XIONG Fang-min2, ZENG Bi-qing2 　　 　　(1. School of Computer Science , Zhaoqing University, Zhaoqing Guangdong 526061, China; 2. Dept. of Computer Engineering , Nanhai College, South China Normal Univercity, Foshan Guangdong 528225, China) 　　 　　Abstract:This paper studied the routes searching strategy and the pheromone updating strategy of ant colony optimization algorithm (ACO) and ananlyzed the limitations of these strategies. To increase the performance of ACO, proposed the ant colony system based on improved pheromone updated strategy (PACS). Gave an example of traveling salesman problem, which was simulated by using basic ACO and PACS. The simulation results show that PACS has excellent global optimization properties and faster convergence speed, and it can avoid premature convergence of ACO. 　　Key words:ant colony optimization; traveling salesman problem; parameters control; pheromone 　　 　　0 引言 　　蚁群优化算法(ant colony optimization,ACO)是20世纪90年代由意大利学者Dorigo等人通过模拟自然界蚂蚁觅食行为提出的一种全新的模拟进化算法。该算法是继模拟退火算法、遗传算法、禁忌搜索算法、人工神经网络算法等元启发式搜索算法以后的又一种应用于组合优化问题的启发式搜索算法。ACO算法已陆续成功地应用于求解多种复杂的组合最优化问题,如旅行推销员问题 (TSP)、车辆路线问题、二次指派问题、工作站排班问题和图形着色问题等[1~3]。 　　近十多年来,随着对上述各策略执行细节的设计不同,已有许多种改良式蚂蚁算法陆续被提出,较著名的有蚁群系统(ACS)、带精英策略的蚂蚁系统(AS)和最大最小蚂蚁系统(MMAS)等。它们之间的差别主要在于信息素更新方式的不同。不同的信息素浓度更新方式可能会导致因为初期产生的可行解品质不佳而累积了偏差的可行解信息,导致无法由累积信息素的方式搜索到更优的解;此外,算法后期也不易跳脱局部最优解的束缚。信息素浓度更新方式是影响求解效率与品质的重要因素之一[2~5]。 　　旅行商问题(traveling salesman problem,TSP)是一种经典的组合优化问题,此类问题已经被证明是一种NP难问题,即不能在多项式时间内求得问题的最优解。最近几年,关于此问题的研究吸引了多个学科领域的关注,包括人工智能、生物学、数学等领域。虽然其数学模型很容易被模拟,并且出现了多种优化方法如模拟退火算法、遗传算法、贪婪算法、蚁群算法、神经网络算法等,以及多种算法相