[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

说明书

本发明提供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，包括：101：为最大迭代次数和进行信息素回滚的限定值赋予初值；S102：根据贪心策略搜索出次优路径；S103：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；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；S107：比较当前最优路径和变异路径的长度；S108：若最优路径结果不变的连续迭代次数超过预设限定值；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，并跳转到S103，否则，输出最优路径。

技术领域

本发明涉及蚁群算法改进技术领域，特别是涉及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。

背景技术

人工智能指借助信息技术，使机器能够对人类的思维以及行为进行模仿，实施此方面的开发研究旨在使人类的智慧融入到学术研究中，由此将人类的智慧借助机械得以拓展，并服务于人类。人工智能的实质为具备类似人的机器。

人工智能算法是通过对自然界中的某些行为及规律加以分析，并对其展开模拟，最终得出对多种类型问题的解算。人们从生物进化及仿生学中受到启发，提出许多启发式的智能优化方法，比如遗传算法、蚁群算法、模拟退火、粒子群算法等。

其中，蚁群算法是产生在上个世纪，其是对蚁群寻找食物的过程进行模仿，通常单只蚂蚁无法快速并准确搜索到食物，但若是蚁群集体出动，互相帮助，便可以得出既定食物最近的路线，因而该智能算法一般应用在求取路线的问题。其原理可被表述成：随意选择一定数量的蚂蚁，之后每只蚂蚁借助自身对所处环境的感知和信息素对食物的位置加以判断，与此同时将自身携带的信息素释放，并且信息素浓度会不断下降，其他蚂蚁则对获取的信息素浓度情况判断是否按照前者的路线行进。由此，搜寻食物的蚁群规模不断过大，环境中的信息素浓度便会随之提升，后续的蚂蚁跟随浓度相对更大的方向前进，通过此种方式，最终获得最佳路线。

蚁群算法是一种应用于组合优化问题的启发式搜索算法，其具有鲁棒性强、全局搜索、并行分布式计算、易于其他算法结合等优点。在求解TSP问题、车辆调度问题、车辆路径问题、分配问题、网络路由问题、蛋白质折叠问题、数据挖掘以及图像识别等方面都取得了较好的效果。然而，蚁群算法的局限性也限制了它的发展，蚁群算法作为一种正反馈算法，在搜索前期，由于信息素积累缺乏，蚂蚁盲目搜索，导致算法搜索时间较长，收敛速度缓慢。于此同时，随着某些路径信息素的不断积累，蚂蚁都会前往这些路径，从而容易使算法进行停滞，陷入局部最优。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供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，。在初始化阶段，引入贪心策略搜索出次优路径，并增加次优路径上的信息素浓度，让蚂蚁在前期更快地向最优路径靠拢，加快了算法的收敛速度；在信息素更新阶段，引入遗传变异操作，在蚁群搜索完毕后，对当前最优路径进行变异操作，试图发现更优路径，利用更优路径动态调节信息素增量，同时利用回滚次数动态调节挥发因子，大大提高了搜索和跳出局部最优的能力，使蚁群更快地搜索出最优路径。

为实现上述目的及其他相关目的，本发明提供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，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；

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；

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；