基于云模型的模糊自适应蚁群算法研究

作者:李絮;刘争艳 刊名:计算机工程与应用 上传者:宋巧伶

【摘要】针对蚁群算法存在控制参数难以确定和易陷入停滞等不足,采用云模型理论对蚁群算法进行改进,将云模型作为模糊隶属函数,选择部分较优路径进行全局信息素更新,从而提高算法对路径的开发和探索,同时通过对云隶属函数的参数控制,实现算法的自适应调整策略。针对TSP问题进行仿真实验对比,结果也表明基于云模型的蚁群算法要明显优于ACS和MMAS算法。

全文阅读

1引言蚁群算法(Ant Colony Algorithm,ACA)最早由意大利学者Marco Dorigo等人于1991年提出,用于求解TSP、分配及调度等一系列组合优化问题[1-3]。目前研究者们一方面将蚁群算法应用到各种应用领域,另一方面,也从理论上不断地对算法进行改进和完善[4-6]。在最早的蚁群系统(Ant System,AS)[7]的基础上,研究者已经对蚁群算法提出了多种改进策略,其中Dorigo和Gambardella提出的蚁群系统(Ant Colony System,ACS)[8]以及Stützle和Hoos提出的最大最小蚂蚁系统(Max-Min Ant System,MMAS)[9]是比较成功的两个改进算法,它们的核心思想对蚁群算法的设计有着深远的影响。虽然蚁群算法得到了广泛的应用,但仍然存在易陷入早熟停滞和控制参数难以确定等不足,而其中的关键问题是如何在“探索”和“开发”之间建立一个平衡。前期已针对TSP问题,对蚁群算法进行了一些改进研究[10]。本文将在前期研究的基础上,借鉴云模型在模糊处理方面的机制,提出一种新的基于云模型的模糊自适应蚁群算法(Fuzzy Self-adaptive Ant Colony Algorithm Basedon Cloud Model,FSACA),以提高蚁群算法对已知解的“开发”和对未知解的“探索”能力,使二者之间达到一个动态平衡,从而提高蚁群算法求解的质量。2基本蚁群算法蚁群系统(ACS)算法在AS算法的基础上,主要在 路径构建和信息素更新方面进行了改进。在路径构建上,ACS首先按照AS算法,计算蚂蚁k在t时刻由城市i选择城市j的转移概率,公式如下:Pkij(t)=ìí?????[τij(t)]α[ηij(t)]β?s?tabuk[τis(t)]α[ηis(t)]βj?tabuk0j?tabuk(1)其中,tabuk表示蚂蚁k下一步选择的城市的禁忌表;τij为边上的信息素强度;ηij为边上的能见度;α、β为启发式因子。然后采用伪随机比例规则选择下一个访问的城市。其规则如下:j=ìí???arg maxl?Nki{τil[ηil]β}qq0Jq>q0(2)其中q是[0,1]之间均匀分布的随机变量,q0(0q01)是一个参数,J是根据式(1)产生的一个随机变量。该规则表示蚂蚁选择当前可能的最优路径的概率为q0同时以概率(1-q0)有偏向性地探索各条边。在信息素更新方面,ACS分别对全局信息素和局部信息素,采用不同的信息素更新方式。全局信息素更新只允许至今最优蚂蚁在每一次迭代之后释放信息素。更新规则如下:τij=(1-ρ)τij+ρDτbsij"(ij)?Tbs(3)其中,ρ为信息素挥发因子,Tbs为最优路径。局部信息素更新则在蚂蚁构建路径的过程中,对经过的每一条边上的信息素进行更新:τij=(1-ξ)τij+ξτ0(4)其中,ξ满足0<ξ<1τ0是信息素的初始值。3基于云模型的模糊自适应蚁群算法通过对ACS算法运行机制的研究,发现ACS算法在早期能够较快搜索到一个较好路径,但由于其搜索空间相对较小,导致最终搜索到的最优解往往质量不高[11]。鉴于此,本文在ACS的基础上,引入云模型理论,提出一种更具探索性的自适应算法,有效提高算法的求解质量。3.1云模型基本概念定义设X是一个普通集合表示的论域,X={x}A是X上的模糊集合,对于论域中任意元素x都存在一个有稳定倾向的随机数μA(x)叫作x对A的隶属度,μA(x)在X上的分布称为云模型,简称为云。当μA(x)服从正态

参考文献

引证文献

问答

我要提问