·500· 智能系统学报 第5卷 1]间均匀分布的随机数；90是一个可调参数(0≤ 索能力及其收敛速度，当ρ较大时，由于信息正反馈 9o≤1)；S为根据是式(2)给出的概率分布所选出的 的作用占主导地位，以前搜索过的路径被再次选择 一个随机变量， 的可能性过大，搜索的随机性减弱；反之，当ρ很小 2)局部信息素更新规则. 时，信息正反馈的作用相对较弱，搜索的随机性增 当所有蚂蚁完成一次循环后，各路径上的信息 强，因此蚁群算法收敛速度很慢， 量要根据式(3)进行调整. 3 T(t+n)=（1-p1oeal）r(t)+p1oea△Ti, 基于混沌算法的蚁群算法参数优化 Ped∈(0,1). (3) 设计 式中：△rg=∑△r,PIeu表示路径上信息的蒸发系 3.1 k1 混沌优化 数；1-pu表示信息的保留系数；△rg表示本次循环 混沌优化是一种较新的优化算法，它利用混 路径可上信息的增量；△r表示第k只蚂蚁在本次循 沌序列的随机性、遍历性和初值敏感性来提高随机 环中留在路径可上的信息量，表示为 优化算法的效率.Logistic序列是这类算法中常用的 △r=QL,若第飞只蚂蚁在本次循环中经过护 混沌序列.它可以用式(5)来描述 0 其他， k+1=u·(1.0-x). (5) 式中：Q为常数，L:表示第k只蚂蚁在本次循环中所 式中：为常数，取值在[3.56,4.00]之间. 走过的路径的长度 不失一般性地，假设待优化问题为如下维函 3)全局信息素更新规则. 数的最小值问题： 所有蚂蚁走完全程，按式(4)进行信息素更新 Min f(x1,2,…,xn） T=(1 -Peobnl)T+peldATy, 式中：x:e[a,b:],i=1,2,…,n. Pgobe∈(0,1). (4) 其基本思想是首先产生一组与优化变量相同数 式中：Peba表示全局信息素的挥发系数；△rg表示 目的混沌变量，用类似载波的方式将混沌引入优化 为： △T前 变量使其呈现混沌状态，同时把混沌运动的遍历范 r1/Lm,若可为全局最优路径所经过的边； 围放大到优化变量的取值范围，然后直接利用混沌 10 其他 变量搜索。由于混沌运动具有随机性、遍历性、对初 式中：Lht为全局最佳路径长度. 始条件敏感性等特点，基于混沌的搜索技术无疑会 蚁群算法中的5个控制参数qa、a、B、Pieob 比其他随机搜索更具优越性， 的选取「1461对算法的性能有较大的影响.式中可调 3.2参数优化算法设计 参数取值较大，则多数蚂蚁易选择信息量最大的 本文提出的参数优化算法的思想是将蚁群算法 边，在搜索过程中可能容易出现多数蚂蚁搜索到相 的运行参数作为混沌算法的优化对象，在每一次迭 同的路径，使得搜索到的解空间较小，不利于发现全 代过程中，使用混沌搜索的当前值来运行蚁群算法 局最优解，算法容易收敛到局部最优解；若9取值 求解一标准优化问题，并使用适应值评价函数对求 较小，则信息量最大的边被选择的概率小，其他边被 解性能做出评价， 选择的概率大，能扩大搜索到的解空间，但搜索呈现 对于任一目的节点∈M(i=1,2,…,P),蚁群 一定的盲目性，不容易收敛信息启发式因子α的 以节点为单位进行寻径，并通过精简处理除去不满 大小反映了信息素因素作用的强度，其值越大，蚂蚁 足带宽约束的路径，构造混沌蚁群算法，求解满足所 选择以前走过路径的可能性越大，搜索的随机性减 有约束条件且总费用最小的组播路由， 弱，因此如果α值过大会使蚁群的搜索过早陷于局 基于上述规定和准则，构造的混沌蚁群算法具 部最优，而过小则会使算法收敛速度减慢.期望值启 体步骤如下： 发因子B的大小反映了先验性、确定性因素作用的 1)初始化参数.假定网络中有N个节点，给定 强度.其值越大，蚂蚁在某个局部点上选择局部最短 M只蚂蚁，循环次数为K,给定9o、aB、p1 enPlob初 路径的可能性越大，算法的随机性减弱，易于陷入局 始值及集合2中各备选路径的信息素初始值，给出 部最优；而B过小，将导致蚂蚁群体陷入纯粹的随机 各节点(d,DJ,PL,c)的值，以及每条存在边(d,DJ, 搜索，很难找到最优解.信息素挥发因子p1 Pgobel b,c)的值，并给出约束条件的D、DJ、PL、B的值. (这里统称ρ)的大小直接关系到蚁群算法的全局搜 2)蚂蚁从源节点开始按路径选择准则(1)随