[发明专利]一种基于信息素初始分配和动态更新的蚁群算法优化方法

权利要求书

1.一种基于信息素初始分配和动态更新的蚁群算法优化方法，其特征在于，所述方法包括：

S101：根据TSP问题定义数组，为最大迭代次数和进行信息素回滚的限定值赋予初值，并初始化其他参数；

S102：根据贪心策略搜索出次优路径，并对该路径上的信息素进行初始分配；所述对该路径上的信息素进行初始分配，包括：

S201：通过贪心策略搜索一条次优路径L；

S202：根据节点之间的信息素浓度τ_ij修改路径L上的信息素；

其中，τ_ij表示节点i和j之间的信息素浓度；τ₀表示所有路径分配相同的信息素初始化值；add表示在分配相同的信息素初始化值后，额外增加的信息素值；

S103：为每只蚂蚁随机选择一个起始节点，并从起始节点开始搜索；

S104：根据选择概率公式，依次选择各个节点，分别为每只蚂蚁求得一条完整路径；所述选择概率公式的具体表达为：

其中，蚂蚁k，k＝1,2,…，m，表示蚂蚁k在t时刻从节点i移动到节点j的概率，allowed_k表示蚂蚁k未经过的城市集合；τ_ij(t)表示t时刻节点i和j之间的信息素浓度；α为信息素启发因子，表示信息素的相对重要程度；η_ij(t)为启发函数，表示可见度，其值等于节点i和j之间距离的倒数；β表示期望值的相对重要程度；d_ij表示节点i和j的距离；

S105：计算并比较各个蚂蚁所走路径的长度，找出当前最优路径；

S106：对当前最优路径进行变异操作，并计算变异路径的长度；

S107：比较当前最优路径和变异路径的长度，依据两者中的更优路径长度按信息素更新公式对全局路径进行更新；所述比较当前最优路径和变异路径的长度，依据两者中的更优路径长度按信息素更新公式对全局路径进行更新的步骤，包括：

在所有蚂蚁对全部城市进行一次游历后，对路径上遗留的信息素进行更新，每条路径上的信息素进行更新，所采用的具体公式表达为：

τ_ij(t+n)＝(1-ρ)·τ_ij(t)+ρ·Δτ_ij(t)

其中，τ_ij(t+n)表示t+n时刻节点i和j之间的信息素浓度；ρ为挥发因子，表示信息素的发挥程度；τ_ij(t)表示t时刻节点i和j之间的信息素浓度；Δτ_ij(t)为信息素增量，具体表达为：

其中，表示t时刻蚂蚁k在节点i和j之间留下的信息素浓度，其具体表达为：

其中，Q为常量，信息素强度；b为一个可变参数，用来调节初始信息素增量的大小；N为迭代次数；D_k表示当前迭代中蚂蚁k所走路径的长度；D_best表示最优路径长度，执行变异操作后，如果变异路径长度小于当前迭代最优路径长度，D_best为变异路径长度，否则D_best为当前迭代最优路径长度；

S108：若最优路径结果不变的连续迭代次数超过预设限定值，则进行信息素回滚并修改挥发因子的值；

S109：若当前迭代次数未达到预设最大迭代次数，则迭代次数加1，清空搜索禁忌表，并跳转到S103，否则，输出最优路径。

2.根据权利要求1所述的基于信息素初始分配和动态更新的蚁群算法优化方法，其特征在于，所述对当前最优路径进行变异操作的步骤，包括：

S601：获取当前迭代的最优路径；

S602：从最优路径中随机选取两个不同的节点，对两个节点之间的所有节点进行交换。

3.根据权利要求1所述的基于信息素初始分配和动态更新的蚁群算法优化方法，其特征在于，所述进行信息素回滚并修改挥发因子的值的步骤，包括：

S801：设置一个最大值R，如果连续R次迭代得到的最优结果没有发生变化，则将当前路径上的信息素值修改为R次迭代前的信息素值；

S802：在每次信息素回滚后，都对挥发因子进行一次修改，修改公式为：

ρ₀为发挥因子的初值；ρ_add为每次回滚发挥因子的增加量；c为信息素回滚的次数；ρ_max为信息素阈值。