动态调整路径选择的蚁群优化算法

第17期

ol 2010年9月

Se 动态调整路径选择的蚁群优化算法

刘好斌，胡小兵，赵吉东

(重庆大学数理学院，重庆 400044)

摘要：针对蚁群算法收敛速度慢和存在停滞现象的缺点，提出对比度增强的路径选择规则以增强其全局搜索能力，选择规则加强了对反馈信息的利用，能加快算法的收敛速度，通过信息熵来动态控制对比度增强的方向，在避免算法停滞的同时加快了算法的收敛速度。将改进后的蚁群优化算法与传统的蚁群优化算法进行比较，仿真实验结果表明，改进算法具有较好的稳定性和全局优化性能，且收敛速度较快。关键词：蚁群算法；路径选择；信息熵

Ant Colony Optimization Algorithm

with Path Choice of Dynamic Transition

LIU Hao-bin, HU Xiao-bing, ZHAO Ji-dong

(School of Mathematics & Science, Chongqing University, Chongqing 400044)

【Abstract 】Aiming at the disadvantage of slow convergence and stagnation phenomenon of ant colony algorithm, path choice rule is introduced, which is based on contrast intensification technology, in order to increase the probability of selecting solution components, path choice rule strengthens the use of feedback and speeds up convergence speed. Information entropy is used to dynamic control to direction of contrast enhancement, which avoid stagnation of the algorithm and speed up convergence. An example is given, which is simulated by using basic Ant Colony Optimization(ACO) and improved ACO. Simulation results show that the improved ACO has excellent stability, performance of global optimization, and fast convergence.

【Key words 】ant colony algorithm; path choice; information entropy

计算机工程 Computer Engineering 第36卷V .36 No.17 ptember 2010

能及识别技术· 文章编号：1000—3428(2010)17—0201—03

文献标识码：A

中图分类号：TP18

·人工智1 概述

蚁群算法[1]是继模拟退火、遗传算法和人工神经网路等启发式算法后的又一种应用于优化问题的算法。该算法先后成功应用于调度问题、旅行商问题(TSP)、网络路由中。实验结果表明，蚁群算法具有很强的鲁棒性和搜索较好解的特点。但蚁群算法同时也存在一些缺点，如收敛速度慢、易出现停

滞现象等。

蚁群算法在构造解的过程中利用随机选择策略，这种选

择策略使得进化速度慢，容易出现停滞现象，且没有很好地

利用算法的反馈信息，不利于发现更好的解。文献[2]采用动

态调整选择策略，在一定程度上利用了反馈信息，本文定义了对比度增强型的路径选择规则，利用并放大了有利因素，

尽量避免不利因素对算法搜索的影响。另外，路径选择策略

中的正反馈强化了较好解，使用对比度增强技术更增强了正

反馈信息的利用，但这容易使算法陷入停滞状态。文献[3]采用信息熵来确定蚂蚁选择路径的确定性程度，从而实现算法的自适应调节。本文将信息熵引入蚁群算法，根据信息熵的变动来动少态地调整路径选择规则，以此加强路径选择过程中对负反馈原理的利用，充分利用算法的反馈信息以提高蚁群算法的全局搜索能力和搜索速度。仿真实验表明，这种改进效果明显。 2 蚁群优化算法的数学模型及基本原理

蚁群优化(Ant Colony Optimization, ACO)算法是一类新的随机优化算法，它通过模拟蚂蚁在搜索食物过程中释放的

信息素的积累和更新来寻求最优解。蚂蚁在寻找食物的过程

中通过信息素来选择最短路径，这样使得蚂蚁从巢穴到食物源之间的路径越短，则其上的信息素越多，后继蚂蚁选择的概率就越大，实际上这种集体行为构成了一种学习信息的正反馈机制，在概率选择的过程中则体现了算法对负反馈机制的应用。蚁群算法正是模拟这种优化机制。

蚁群算法中有2种信息素的更新方式：局部更新方式和全局更新方式。局部更新方式是每只蚂蚁完成一次选择后进行，其更新公式为 0(1)ij ij τξτξτ=??+? (1) 其中，01m

nL τ=为初始信息素；(0,1)ξ∈为参数。

全局更新方式仅对全局最优的蚂蚁使用，其更新公式为 (1)(1)()()ij ij ij t t τρτρ+=??+? t τ (2) 其中，(0,1)ρ∈为挥发系数； (,)()0k k

ij Q L k t i j t τ ?=? ? 当只蚂蚁在时刻经过时否则

蚁群算法中状态转移概率表示在t 时刻蚂蚁由()k

p t k 基金项目：重庆市自然科学基金资助项目(CSPC, 2005BB2197)；重庆大学高层次人才科研启动基金资助项目(020*********)；重庆大学数理学院青年科研启动基金资助项目

作者简介：刘好斌(1983－)，男，硕士研究生，主研方向：智能计算；胡小兵，副教授；赵吉东，硕士研究生

收稿日期：2010-03-23 E-mail ：lhb1373@https://www.360docs.net/doc/d314546012.html,

—201—