一种自适应信息素改进蚁群算法-计算机系统应用.PDF

2009 年 第 10 期 计 算 机 系 统 应 用 ① 一种自适应信息素改进蚁群算法 Adaptive Ant Colony Algorithm Based on Pheromone 周燕霞 (浙江东方职业技术学院 工程技术系 浙江 温州 325011) 摘 要： 针对基本蚁群算法容易导致早熟、停滞现象，改变其信息素释放策略，提出自适应信息素改进蚁群算 法，使得信息素的更新采用了一种新的面向数据的传递方式。改进后的算法在收敛速度和解的多样性 之间取得良好的平衡。通过解TSP 实例试验结果表明，其比基本蚁群算法具有更好的搜索能力，且其 误差率可以保持较低的水平。 关键词： 蚁群算法 信息素释放 信息素更新 1 引言 路径为中心向外传递，从而影响该路径附近其它蚂蚁 [1] [2] 蚁群算法 本质上是一种随机搜索算法 ，以其高 的行为，使它们在寻找路径时以较大的概率在下一步 效的性能在近年来倍受关注。蚁群算法通过许多蚂蚁 选择此路径。 共同完成寻求最优解的任务。蚂蚁个体在候选解的空 下面以一个实例来说明本文提出的方法。如图 1 间中独立地搜索解，并在所寻得的解上留下一定量的 所示 ，假设蚂蚁欲从节点 a 到节点 f ，其中路径(a ， 信息素，蚂蚁个体之间通过这些信息素进行信息传递 b)为一距离很短的子路径。假设路径(a ，b)和(a ，c) 和相互协作，从而完成复杂任务。 上的信息素的浓度相同，则由于路径(a ，b)比路径(a ， 在蚁群算法的最初阶段，所有解上的信息素都是 c)短，蚂蚁会以更大的概率选择节点 b 为下一步要到 相同的。随着算法的推进，蚂蚁所寻解的性能越好， 达的位置。 则留在该解上的信息素就越多[3]。在一定范围内，蚂 蚁能够察觉到这种信息素并指导它的行为，使得信息 素较多的解被选择的可能性增大，导致该解上的信息 素强度进一步增强，由此构成了一个学习信息的正反 馈过程，使得算法渐渐趋于收敛，并逐渐逼近最优解。 在上述蚁群寻解过程中，蚂蚁个体总是依赖于其 图 1 算法原理示意 他蚂蚁的反馈信息来强化学习，而不去考虑自身经验 [4] 的积累 。这样的盲从行为，很容易导致早熟、停滞 如果在此之前，另一只蚂蚁刚好从节点 c 走到节 现象。基于此，本文改变传统蚁群算法的信息素释放 点 e，其将产生相应浓度的信息素，并向周围进行传 [5]