带个体差异蚁群算法应用.docVIP

带个体差异蚁群算法应用 　　摘要：基本蚁群算法在大规模优化问题的处理上，算法的执行效率很低。为此改进的算法引入了蚂蚁个体差异，并将不同蚂蚁选路策略混合应用，使改进后的蚁群算法在加快收敛速度和提高解的质量的同时，避免了过早停滞现象。实验表明，该算法在性能上远优于基本蚁群算法。 　　关键词：蚁群算法； 旅行商问题； 个体差异 　　中图分类号：TP301．6文献标志码：A 　　文章编号：1001－3695(2008)04－1036－03 　　 　　蚁群算法（ACO）是受自然界中蚂蚁搜索食物行为启发而提出的一种智能优化算法。正反馈机制和通信机制是蚁群算法的重要基础。正反馈作用能加快算法的搜索，也会导致算法出现停滞现象，而通信机制能使个体相互协作，有利于算法搜索到更优解。目前，该算法在组合优化领域得到应用，并且得到了较好的结果[1~7]。仿照自然界种群中个体的多样性，本文对基本蚁群算法改进，引入了HSIV算法。首先，通过蚂蚁的不同选路策略，使ACO算法的全局搜索能力和收敛速度得到了增强，可提高解的质量。其次，将不同行为策略的蚂蚁混合协同工作，避免了解的过早收敛。模拟实验表明，HSIV算法对于多个实例进行模拟计算的结果均优于或等于TSPLIB给出的现有最佳运行结果。其中：st70实例实验得到的最短路径为677．109 6,提供的最佳路径运算结果为678.59 (但TSPLIB提供的最短路径值为675)，这一结论与文献[6]相一致；berlin52实例得到的最短路径与TSPLIB提供的最佳路径运算结果相同。?? 　　 　　1基本蚁群算法?? 　　 　　为更清楚地理解蚁群算法的基本原理,一般多借助经典的对称TSP来进行说明。TSP的目标函数是TSP的目的，是从有向图??G??中寻找出长度最短的Hamilton圈。?? 　　 　　2改进HSIV算法的原理、模型及实现?? 　　 　　2．1个体差异策略?? 　　在基本蚁群算法的几种模式中，都是采用固定的信息量增减比例策略进行选路操作。若在整个算法运行期间都采用固定的选路策略，不但不能使蚁群存储在信息素中关于较好路径的信息得到充分利用，突出蚁群算法的正反馈特征，而且仍然解决不了算法搜索时间过长的问题。改进的个体差异策略的基本思想是动态地、根据当前状况自适应地进行信息量更新，调整不同路径上的信息量分布，在加速收敛速度的同时避免过早陷入局部最优解。?? 　　笔者在算法中引入了种群中的个体差异性，每个蚂蚁选路的概率函数??ρ中的参数α和β??值并非完全相同，而且还将在算法每轮循环执行后不断变化。在这种算法中，蚂蚁的行为策略是多样性的。HSIV算法模拟了自然界中种群同类中的个体差异，不同选路策略的蚂蚁间相互作用，可得到比单一策略蚁群更好的解。?? 　　在HSIV算法的每轮循环中，修改得到最优解的蚂蚁的??α和β参数，渐进加重信息素在选路的概率函数ρ中的作用，相应减小距离在选路的概率函数ρ??中的作用，称这种方法为奖励机制,同时修改得到的最差解。这种机制可以在蚁群中实现不同选路策略的蚂蚁协同工作。模拟实验表明，此算法在许多情况下可以提高收敛速度以及解的质量。在st70的实验中，仅在第22轮便得到了最优解，而且得到的解为677．109 6，优于TSPLIB给出的解678．59。?? 　　在HSIV算法中，蚂蚁选路的概率函数??ρ中的参数α和β??分别初始化为1和5。在这种机制下，选路初始时距离的因子将起到主要作用。在每轮循环结束后应用奖励机制，调整选路最好的蚂蚁参数??α和β值，提高信息素对ρ的影响。为说明两个参数对解的影响，笔者特作以下证明：在式(1)中，用ρ(α)表示蚂蚁k在两城市之间(i, j)上信息素的参数为α时的概率函数值;用ρ(α+1)表示蚂蚁k在两城市之间(i, j)上信息素的参数为α+1时的概率函数值。 　　 　　由上式可以推出：随着信息素浓度的增加，相应增加信息素参数α的值，则该路径被选中的概率就越大。同理可证减小距离参数β的值也可使该路径被选中的概率增大。通过本文的实验也证明了上述推导。所以本文将程序中每次选路后得到最短路径的蚂蚁的概率ρ中的α值增大，即增加概率中信息素的作用；相应地减小β值，??即减小概率中距离因子的作用。在模拟实验中发现：a)在对选路最好的蚂蚁参数进行调整时，改变策略后被选中的蚂蚁在信息素更新时浓度增大，此时增大参数??α??的值，同时降低了距离因子在选路中的作用将使好的解被再次选中的几率加大。b)有一些蚂蚁可能不只在一轮中得到最优解，这样笔者在奖励机制中设定加倍奖励机制，对已经改变策略的蚂蚁在再次得到最优解时，增加信息素在概率中的作用。模拟实验表明这种机制下得到的解更优。?? 　　从一系列模拟实验结果中发现，改进的蚁群算法虽然