D0I:10.13374/1.issnl00I53.2006.08.020 第28卷第8期 北京科技大学学报 Vol.28 No.8 2006年8月 Journal of University of Science and Technology Beijing Aug.2006 带有侦察子群的蚁群系统 许剑吕志民徐金梧 北京科技大学高效轧制国家工程研究中心,北京100083 摘要针对基本蚁群算法收敛速度慢,容易出现停滞等缺陷,提出一种新的蚁群优化算法一 带有侦察子群的蚁群系统.该算法从整个蚁群中分离出一部分蚂蚁组成侦察子群,在优化过程中 侦察子群以一定概率做随机搜索,提高了解的多样性:在信息素更新策略上同时使用本代和全局 最优蚂蚁,兼顾了本代和历史的搜索成果:同时还采用LK变异算子,对每次搜索的解进行局部优 化·最后对三个典型T$P实例进行了仿真实验,结果表明新的算法不仅能够克服早熟现象,而且 能够大大加快收敛速度 关键词蚁群系统:蚁群算法:蚁群优化:随机搜索:变异算子 分类号TP18 蚁群算法是20世纪90年代由意大利科学家 Macro Dorigo等人提出一种新型的拟生态系统算 1AS和MMAS 法[1-3],最初的蚁群算法称为蚁群系统(ant sys- AS基本思想是模仿蚂蚁依赖信息素 tem).该算法具有很强的通用性、鲁棒性、分布式 (pheromone)进行通信而显示出的社会性行为,在 计算、易于与其他方法相结合等优点,近年来在 智能体定义的基础上,由一个贪心法指导下的自 离散型组合优化问题中有突出的表现[4],引起 催化过程引导每个智能体的行动,它是一种随机 了学者们的普遍关注 的通用试探法, 2002年Gutjah证明了AC0(ant colony opti 假设n个城市,m个蚂蚁,任意两城市i,j mization)类算法的收敛性6],虽然蚁群算法有许 之间的距离为d,可(t)表示两个城市间信息素 多优点,但也存在着许多缺陷,如与其他方法相 的浓度,t为迭代次数,P(t)表示第t代蚂蚁k 比,该算法一般需要较长的搜索时间,并且容易出 的转移概率: 现停滞现象,即搜索进行到一定程度后,所有个体 [ca(t)][nl2 所发现的解完全一致,因此,针对这些缺点许多 P(t) 3[(t)][]8 (1) 学者对蚁群算法提出了改进,如Stitzle和Hoos 0, 提出的最大最小蚁群系统(max min ant system, j∈z MMAS)[门,Dorigo和Gambardella提出的ACS 式中,j表示未访问过的城市,:表示已经访问过 (ant colony system)8],还有文献[9]提出的一种 城市的集合,=1/dg称为边弧的能见度,a为 信息素浓度的重要程度,3为可见度的相对重要 相遇算法等,这些算法对基本蚁群(A$)的性能都 程度 有了不同程度的提高 信息素浓度更新公式为: 本文在AS和MMAS的基础上提出一种带 有侦察子群的蚁群系统(ant system with scouting (+1)=()十∑△(0) (2) =1 subgroup,ASSS),从几个方面对蚁群算法进行了 式中,△(t)表示第t代蚂蚁k访问过支路(i, 改进,并从TSPLIB库中选取三个有代表性的实 j)后释放的信息浓度,P为信息素挥发因子(O≤P 例对算法的性能进行了验证 ≤1): △(t)= 收稿日期:2005-04-19修回日期:2005-10-31 w/Lx(), 如果蚂蚁k访问过边弧(i,j) 基金项目:国家自然科学基金资助项目(N。.70371057) 否则 作者简介:许剑(1973一),男,博士研究生:徐金梧(1949-), 男,教授,博士 (3)带有侦察子群的蚁群系统 许 剑 吕志民 徐金梧 北京科技大学高效轧制国家工程研究中心北京100083 摘 要 针对基本蚁群算法收敛速度慢、容易出现停滞等缺陷提出一种新的蚁群优化算法——— 带有侦察子群的蚁群系统.该算法从整个蚁群中分离出一部分蚂蚁组成侦察子群在优化过程中 侦察子群以一定概率做随机搜索提高了解的多样性;在信息素更新策略上同时使用本代和全局 最优蚂蚁兼顾了本代和历史的搜索成果;同时还采用 LK 变异算子对每次搜索的解进行局部优 化.最后对三个典型 TSP 实例进行了仿真实验结果表明新的算法不仅能够克服早熟现象而且 能够大大加快收敛速度. 关键词 蚁群系统;蚁群算法;蚁群优化;随机搜索;变异算子 分类号 TP18 收稿日期:20050419 修回日期:20051031 基金项目:国家自然科学基金资助项目(No.70371057) 作者简介:许 剑(1973—)男博士研究生;徐金梧(1949—) 男教授博士 蚁群算法是20世纪90年代由意大利科学家 Macro Dorigo 等人提出一种新型的拟生态系统算 法[13]最初的蚁群算法称为蚁群系统(ant system).该算法具有很强的通用性、鲁棒性、分布式 计算、易于与其他方法相结合等优点.近年来在 离散型组合优化问题中有突出的表现[45]引起 了学者们的普遍关注. 2002年 Gutjah 证明了 ACO(ant colony optimization)类算法的收敛性[6].虽然蚁群算法有许 多优点但也存在着许多缺陷如与其他方法相 比该算法一般需要较长的搜索时间并且容易出 现停滞现象即搜索进行到一定程度后所有个体 所发现的解完全一致.因此针对这些缺点许多 学者对蚁群算法提出了改进如 Stützle 和 Hoos 提出的最大最小蚁群系统(max-min ant system MMAS) [7]Dorigo 和 Gambardella 提出的 ACS (ant colony system) [8]还有文献[9]提出的一种 相遇算法等这些算法对基本蚁群(AS)的性能都 有了不同程度的提高. 本文在 AS 和 MMAS 的基础上提出一种带 有侦察子群的蚁群系统(ant system with scouting subgroupASSS)从几个方面对蚁群算法进行了 改进并从 TSPLIB 库中选取三个有代表性的实 例对算法的性能进行了验证. 1 AS 和 MMAS AS 基 本 思 想 是 模 仿 蚂 蚁 依 赖 信 息 素 (pheromone)进行通信而显示出的社会性行为在 智能体定义的基础上由一个贪心法指导下的自 催化过程引导每个智能体的行动它是一种随机 的通用试探法. 假设 n 个城市m 个蚂蚁任意两城市 ij 之间的距离为 dijτij ( t)表示两个城市间信息素 的浓度t 为迭代次数.P k ij ( t)表示第 t 代蚂蚁 k 的转移概率: P k ij( t)= [τij( t)] α[ηij ] β ∑l∈/z [τil( t)] α[ηil] β j ∈/z 0 j ∈ z (1) 式中j 表示未访问过的城市z 表示已经访问过 城市的集合ηij =1/dij 称为边弧的能见度α为 信息素浓度的重要程度β为可见度的相对重要 程度. 信息素浓度更新公式为: τij( t+1)=ρτij( t)+ ∑ m k=1 Δτk ij( t) (2) 式中Δτk ij( t)表示第 t 代蚂蚁 k 访问过支路( i j)后释放的信息浓度ρ为信息素挥发因子(0≤ρ ≤1); Δτij( t)= w/Lk( t) 如果蚂蚁 k 访问过边弧( ij) 0 否则 (3) 第28卷 第8期 2006年 8月 北 京 科 技 大 学 学 报 Journal of University of Science and Technology Beijing Vol.28No.8 Aug.2006 DOI:10.13374/j.issn1001-053x.2006.08.020