82 智能系统学报 第5卷 ACD 初始化参数生成信总素初 始分布，将蚂蚁置于初始点 交叉所得路径是否 优于迭代最优路径？ 计算每只蚂蚁移动到下一结 点的概率并计算该路径的拥 挤度，根据概率选择移动蚂蚁 代 代递归 对交叉 归 最优的 进行信息素的局部更新 随机选 进行交叉操作 妈蚁赋 予“外 激素” 选出本次迭代巾承载本次 迭代最优路径信息的蚂蚁 蚂 进彳信总素的全局更新 是否与本次迭代 最优妈蚁经过相 同的路径？ 输出最优路径 N 图2改进遗传算法与蚁群算法结合流程图 Fig.2 Improved genetic algorithm and ant colony algorithm union flow chart (t)(t) 3 改进的蚁群遗传混合算法的模糊 Pu(t)=- ∑r(t)呢(e) C-均值聚类 S={X|d≤r,s=1,2,…,i,i+1,…,N}. 3.1基本思想 (6) 将待聚类数据视为具有不同属性的蚂蚁，每只 式中：S是蚂蚁k下一步可以选择的样本点的下标 蚂蚁具有W维特征矢量，聚类中心作为蚂蚁需要寻 的集合 找的“食物源”，蚂蚁在搜索时，不同的蚂蚁选择某 3)计算该路径的拥挤度q(t). 个数据元素是相互独立的. 9a(）=2ra(o)/Aa(0. 3.2算法步骤 在算法初期，拥挤度阈值选择接近于0的较小 1)计算蚂蚁信息素， 值，这样大多数蚂蚁都可以自主随机选择移动路线。 假定每个数据特征矢量为 如果某条路径信息素浓度很高，但该路径蚂蚁也很 X={Xk,k=1,2,…,n}, 多，则下一只蚂蚁可能不会选择该路径，而是进行随 Xk={x1,x2,…,n} 机选择，这可避免蚂蚁过早地集中在某局部极小的 它有n个输入样本，每个样本有m个特征.迭代次 位置，增加了算法遍历寻优的能力，防止蚂蚁因过早 数为N,聚类半径为r,统计误差为eo,各信息素 集结在某条信息素浓度较高的路径上而造成算法早 T(0)=0,初始中心为V;计算第k个样本和第i类 熟现象的出现，在一定程度上克服了局部极小解的 的距离d:=‖x-:‖.则蚂蚁在路径上的信息素 问题o」 由式(5)给出. 4)信息素局部更新 7s=,4s (5) TH(t+1)=pTu(t)+ATH(t,t +1). Lo,du r. 5)交叉操作 2)计算t时刻时蚂蚁k由：选择到：的概率 交叉操作是在迭代最优蚂蚁与随机选择的其他 P(t). 蚂蚁之间进行，也可以按概率群完成一次循环后，随