基于改进型蚁群算法的最优路径问题求解

合集下载

基于改进蚁群算法的物流配送路径优化研究

的初值，同时建立禁忌列表 tabuk，保证初始阶段表中没有任何的客户点。
（2）将 m 个蚂蚁随机放置在 n 个配送点，每个客户点最多分布一个蚂蚁，将 m 个蚂蚁所在客户点的信息存入禁忌列表，并更新循环次数。
（3）对于每一只蚂蚁，需要从禁忌列表中选出没有经历过的点，并根据概率转换公式，以轮盘赌算法选择下一个客户点，将所选的客户点加入禁忌列表，直到蚂蚁遍历完所有的客户点结束本轮蚂蚁的循环活动。
.于进Al化l计算R的ig双h旅t行s 商R优e化s问er题v，e利d.用遗传算法克服局部最优
解，成功实现高效多目标优化。多种车型的组合优化也是多目标配送问题的研究热点，朱泽国等结合链表思想并对遗传算法进行改进，发现随着相关不确定参数的变化，尽管运输成本上升但对多车型配送满载率的影响较小。袁晓建等研究了带时间窗和同时送取货的车辆路径问题，建立相应的数学模型，并通过改进量子进化算法等方式得到更好的解。
（6）
为最短的路径，进一步实现了算法的优化。2-opt 算法的频繁使用会使得蚁群算法的计算时间变长，极大地影响计算效率。因此只在每一次迭代结束之后，寻找该次迭代的最优解进行 2-opt 算法的优化，并进行一次信息素的更新，挥发系数小于首次信息素更新，以免加快收敛速度、陷入局部最优。
概率转换路径，则该最优解的路径为本次循环中物流配送路径的最优路径，同时根据相应的公式对信息素进行更新。
信息素更新规则如下：（2）
46 2021年 10 期总第 943 期
物流平台
（3）
为第 k 只蚂蚁在本次循环中在路径(i,j)上留下的信息素量。可以得到蚁群算法的基本模型：
（4）（5）判断是否到达最大的循环次数，若到达，则该次配送的最短路径被找出；否则，清空禁忌列表，跳转到步骤（1）重复工作。（6）得到最优解后，输出结果，绘制出物流配送的最优路线。 3.算法的改进根据以上的分析，对概率转换规则和信息素更新规则进行改进以实现满载率和路径相结合的路径最优。蚁群算法在很多优化类问题中表现出较强的解决能力和发展潜力，但是也存在计算量过大，搜索时间过长，容易陷入局部最优解等缺点。因此本文也通过融合其他算法，更改信息素的收敛速度，对蚁群算法进行相应的改进，加快其收敛速度并提高其全局搜索的能力。（1）概率转换规则的改进在新的适用场景中，路径的优化目标由寻找最短路径转变为寻找满载率尽可能高、路径尽可能短的最优路径。因此需要考

蚁群算法在最优路径选择中的改进及应用

c law enforcement. Therefore, c congestion was ciency of the improved algorithm with the Dijkstra algorithm. Thus, it could simulate the optimal driving path with better performance, which was targeted and innovative.关键词：蚁群算法;实际路况;最优路径Key words ：ant colony optimization; actual road conditions; optimal path文／张俊豪蚁群算法在最优路径选择中的改进及应用0 引言在国务院发布的《国家中长期科学和技术发展规划纲要（2006-2020年）》中，将交通拥堵问题列为发展现代综合交通体系亟待解决的“三大热点问题”之一。

智能交通系统作为“互联网+交通”的产物，利用先进的科学技术对车、路、人、物进行统一的管控、调配，成为了当下各国缓解交通拥堵的一个重要途径。

路径寻优是智能交通系统的一个核心研究内容，可以有效的提升交通运输效率，减少事故发生频率，降低对城市空气的污染以及提升交通警察的执法效率等。

最著名的路径规划算法是Dijkstra算法和Floyd算法，Dijkstra算法能够在有向加权网络中计算得到某一节点到其他任何节点的最短路径；Floyd算法也称查点法，该算法和Dijkstra算法相似，主要利用的是动态规划思想，寻找加权图中多源节点的最短路径。

近些年，最优路径的研究主要集中以下几个方面：（1）基于A*算法的路径寻优。

A*算法作为一种重要的路径寻优算法，其在诸多领域内都得到了应用。

随着科技的发展，A*算法主要运用于人工智能领域，特别是游戏行业，在游戏中，A*算法旨在找到一条代价（燃料、时间、距离、装备、金钱等）最小化的路径，A*算法通过启发式函数引导自己，具体的搜索过程由函数值来决定。

基于蚁群优化算法的最优旅游路线模型设计

基于蚁群优化算法的最优旅游路线模型设计蚁群优化算法（Ant Colony Optimization，简称ACO）是一种模拟蚁群寻找食物路径的启发式优化算法。

该算法通过模拟蚂蚁在寻找食物时释放信息素的行为，来寻找问题的最优解。

在旅游路线规划中，蚁群优化算法可以用于确定最佳的旅游路线，以最大程度地满足旅游者的需求。

首先，我们需要将旅游路线问题转化为蚁群优化算法可以处理的形式。

我们将旅游路线抽象为一个图，其中图的节点表示旅游景点，图的边表示景点之间的距离或时间。

在ACO算法中，每只蚂蚁都会在图中移动，并释放信息素。

蚂蚁在移动时，会根据信息素浓度和距离来选择下一个节点。

信息素浓度越高，蚂蚁越倾向于选择该节点；而距离越近，蚂蚁也越倾向于选择该节点。

在ACO算法中，我们需要定义一些启发因子来影响蚂蚁的移动。

例如，我们可以引入一个启发因子α来调整信息素的重要性，以及引入一个启发因子β来调整路径长度的重要性。

蚂蚁的每一步移动，都可以通过计算各个选择的概率来决定下一个节点的选择，而概率的计算就需要依赖于这些启发因子。

当蚂蚁完成一次完整的旅游路线后，我们可以根据旅游者的反馈来更新信息素。

例如当旅游者对一些景点有积极的评价时，我们可以增加该景点之间路径上的信息素浓度；而当旅游者对一些景点没有兴趣时，我们可以降低该路径上的信息素浓度。

通过多次迭代，不断更新信息素，蚂蚁的路径选择会趋向于最优解。

最后，我们可以根据信息素最浓的路径作为最优旅游路线，并推荐给旅游者。

需要注意的是，虽然蚁群优化算法在解决旅游路线规划问题上有一定效果，但并不是适用于所有的问题。

我们需要根据具体的情况来选择合适的算法，并对参数进行调整，以取得更好的效果。

总结起来，基于蚁群优化算法的最优旅游路线模型设计，首先需要将问题转化为图的形式，并定义好信息素的含义和更新方式。

然后，通过模拟蚂蚁的行为，计算路径选择的概率，并根据旅游者的反馈来更新信息素。

最后，根据信息素最浓的路径确定最优旅游路线，并推荐给旅游者。

基于改进的文化蚁群算法求解最优路径问题研究

最优路径算法．
关键词：蚁群算法；文化算法；最短路径；ＩＧＳ
中图分类号：Ｔ３１６Ｐ０．文献标识码：Ａ
Ｏ引言
随着我国经济的发展，城市交通在促进各种资源交换发挥着越来越重要的作用．据统计中国每年因交通堵塞造成的ＧＰ损失达到５一８．取Ｄ％％采合理的交通路径的规划，能够对交通堵塞预防起到定的积极作用．辆路径问题最早是由Ｄｎｚ车ａｔｇｉ和ＪＲｍｅ于１５．ａｓｒ９９年提出的．此之后，内外至国学者对车辆路径问题进行了广泛而深入的研究．特别是蚁群算法的提出，该算法与其他算法相比不仅能够智能搜索全局最优而且具有鲁棒性、反馈、正分布式计算、于与其他算法融合等优点 ¨ ．易Ｊ蚁
一
为：
础
ｍａｘ
否则
｝女果ｇ，口 ≤
１改进的文化蚁群算法的设计
本文利用蚁群算法求解最优路径的优点，蚁将
① 收稿日期：００—１２１１—１０
【
’ ，，
ｆ）１
作者简介：薛小虎（９６一，，１８）男河南洛阳人，硕士研究生，主要从事ＷｅＧＳｂＩ方面研究工作
反映了蚂蚁在运动过程中启发信息在蚂蚁选择路径中的受重视程度，值越大则该状态转移概率越其
等诸多不确定因素，并将改进的蚁群算法融入到文化算法当中，蚁群算法具有群体空间和信仰使

基于改进型蚁群算法的最优路径问题求解

题研究中蚁群算法收敛速度慢及容易发生停滞的缺点，利用Ａ算法的启发式信息改进蚁群算法的路径选择策
略，加快算法收敛速度．同时引入遗传算法的双种群策略和蚁群系统信息素更新策略，增加全局搜索能力，避免
算法出现停滞现象．仿真实验结果表明，该改进算法具有较好的稳定性和全局优化性，且收敛速度较快．关键词：最优路径；蚁群算法；Ａ’ 算法；双种群策略
和信息素全局更新三个方面．其中ＬＭ．ａａｄｌ，．Ｇｍｂｒｅａｌ
大通常仅适用于静态中小规模网络．近年来，为了适
应动态网络问题发展的需要，多研究人员将智能仿许生算法应用到最优路径问题上并取得了良好的效果，
Ｍ．ｏｉ［提出了Ａｔ算法，该算法用伪随机比例Ｄｒｏ１ｇ３ｎ．Ｑ状态转移规则替换蚁群算法中的随机比例规则，从而使Ａｎ．ｔＱ算法在构造解的过程中能够更好的保持知识探索与利用之间的平衡．除此之外，该算法还引用了局部信息素更新机制和全局信息素更新中的精英策
ｃｎｅｇｎｅｏｖｒｅｃ．Ｔｈｅｕｌｆｔｅｓｍｕａｉｎｅｐｅｉｎｈｗｈｔｔｅｉｒｖｄａｇｒｔｍａｏｄｓａｌｔ，ｇｏａｅｒｓｔｏｉｌｔｏｘｒｍｅｔｓｏｔａｍｐｏｅｌｏｉｈｈｓｇｏｔｂｉｙｌｂｌｓｈｈｉｏｔｍｉａｉｎａｄｆｓｏｖｒｅｃ．ｐｉｚｔｏｎａｔｃｎｅｇｎｅ
ＡｉｎｔｔｅｐｏｌｍｆｓｏｃｎｅｇｎｅａｄｓａｎｔｏｈｎｍｅｎｏｔＣｏｌｎｇｒｔｍ，ｈｓｐａｅｔｏｕｅｍｉｇａｒｂｅｏｌｗｏｖｒｅｃｎｔｇａｉｎｐｅｏｎｏｆＡｎｏｙＡｌｏｉｈｈｔｉｐｒｉｒｄｃｎｐｔｅｅｔｏｔａｅｙｗｈｃｓｂｓｄｏｅｈｕｉｔｃｆｃｏｆａｈｓｌｃｉｎｓｒｔｇｉｈｉａｅｎｔｅｒｓｉａｔｒｏａｇｒｔｍｏｓｅｐｔｅｃｎｅｇｎｅＭｅｎｉｅｈＡｌｏｉｈｔｐｅｄｕｏｖｒｅｃ．ｈａｗｈｌ

基于改进蚁群算法的路径规划优化方法研究

基于改进蚁群算法的路径规划优化方法研究近年来，随着人工智能技术的不断发展，路径规划优化成为了一个备受关注的研究领域。

在实际生产与生活中，很多问题都需要最优的路径规划方法来解决。

而蚁群算法，作为一种优化搜索算法，已被广泛应用在路径规划领域中。

然而，传统的蚁群算法存在着某些缺陷，如易陷入局部最优等问题。

因此，基于改进蚁群算法的路径规划优化方法研究具有重要意义。

第一部分：蚁群算法原理及其应用蚁群算法是一种模拟蚁群觅食行为的人工智能算法。

蚂蚁寻找食物的过程类比为信息素分布和发现的过程。

在此过程中，蚂蚁在多次探测后，通过信息素的积累和挥发调整自身行为，最终找到最短路径。

蚁群算法的应用十分广泛，不仅可用于路径规划领域，还可以用于图像分割、物流调度、模式识别等领域。

而在路径规划领域中，蚁群算法可以有效地解决复杂的路径规划问题，特别是对于多目标优化问题，蚁群算法在贴近实际的应用中取得了良好的效果。

第二部分：蚁群算法的缺陷及其改进然而，传统的蚁群算法存在着一些缺陷，其中较为突出的是易陷入局部最优。

由于信息素的积累需要长时间的迭代更新，这个过程相当于一种漫无目的的搜索过程，容易被那些信息素较强的路径所吸引。

为了解决这个问题，研究人员提出了多种改进蚁群算法的方案。

例如，采用局部搜索策略或全局搜索策略、降低信息素挥发率等。

注重信息素挥发率的调节，可以使得信息素积累的路径更具有全局性。

这些改进方案都能够有效地提高算法的搜索能力，使得算法较少陷入局部最优，从而找寻出更优的路径。

第三部分：改进蚁群算法在路径规划中的应用基于改进蚁群算法的路径规划优化方法在实际应用中也得到了广泛的应用。

通过对多种路径规划算法进行对比实验，研究人员发现，相较于其他算法，改进的蚁群算法在搜索能力、路径质量等方面均表现出了优越的性能。

例如，在智能物流领域，改进蚁群算法被应用于物流路径优化。

该算法结合了蚁群算法的搜索能力和改进方案，有效地提高了物流路径的准确度和路程质量。

基于蚁群算法的最优路径选择问题的研究

ｄｃｌｂｒｔｎａｅｅｅｔｄｗｉｉｈｔｅｕｉｃｕｄｃｌｂｒｔａｈｏｈｄｃｕｄｆｎｅｂｔｅｏｕｉｎｉｏｉｖｅｄａｋａｏｌｏａｉｘｒｅ，ｔｎａｏｒｈｔｗｈｃｎｔｏｌｏｌｏａｅｅｃｔｅａｏｌｄｔｅｔｒｓｌｔｈａｒｎｉｈｏｎｓｏｅｉ．ＴｅｓｕｙａｄｓｍｕａｏｅｕｔｄｃｔａｈｒｒｔｔｍｅｈｔｄｉｌｔｎｒｓｌｉｉａｅｔｔＡＣＡｓａｎｗｉｌｔｉｎｃａｇｒｈｗｉｂｔａｄｉｈｅｅｎｉｓｎｈｉｅｓｍｕａｅｂｏｉｌｏｔｍｔｒｕ．ｎａａｂｔｒｄｉｈｏｓｔｓ
Ｒｅｅｒｈｆｒｏｔａｏｔｇｐｏｌｍａｅｎａｔｏｏｙａｇｒｔｍｓａｃｏｐｉｌｕｉｒｂｅｂｓｄｏｎｌｎｌｏｉｍｒｎｃｈ
ＸＩＬ－ｎＷＡＡｉｍｉ，ＮＧａＤｏＵａ，ＣＮＬｎＨｕ，ＱｉｎＨＥｉｇ
维普资讯
第２卷第１期８６
ＶＯ．８１２ＮＯ．６１
计算机工程与设计
ＣｏｍｐｔｒＥｇｎｅｉｇａｄＤｅｉｎｕｅｎｉｅｒｎｓｇｎ
２００７年８月
Ａｕｇ．２００７
基于蚁群算法的最优路径选择问题的研究
夏立民，王华，窦倩，陈玲
（首都师范大学信息工程学院，北京１０３）００７

改进蚁群算法在迷宫路径寻优中的应用研究

径规划问题。
１１迷宫环境描述．
迷宫是由大小为１ｍｘ１ｍ的方格组成的，８８ｃｅ迷
宫的规模为１行ｘ１６６列。机器人的起点随机选择在
Ｃｏｓｒｃｉｅｐｏｅｓｏｈｐｎｔｕｔｖｒｃｓｆｔｅｍａ
赛的目的是制作一个微型机器人，使机器人能在最短的时间内穿越迷宫到达终点。这是考察一个机电系统对一个未知环境的探索、分析以及决策能力的一种比赛。根据竞赛的环境特点和性能指标，文从减少本时空消耗的角度出发，引入改进蚁群算法求解迷宫路
ａｊｓｎｔｏｒｓｄｆｒｅｔｇｈｇｆｃｉｅｅｓｈｅｒｓｌｏｍｕａｅｘｅｉｎｓｉｄｃｔｓｈｔｎｅｏｐｉａｅｒｎ，ｈｌｏｄｕｔｔｍｅｈｄａｅｕｅｔｎｉｈｅｆｔｎｓ．Ｔｅｕｔｆｉｌｔｄｅｐｒｍｅｏｇｉｅｖｓｍｅｔｎｉａｅａｕｄｒｍｌｔｄａｅａｔｅａｇ— ｔｃｃ
得机器人的当前位置；然后通过局部地图和当前全局地图信息的匹配实现机器人的定位，同时更新局部
地图；最后实现全局地图的更新和创建。地图创建过
程如图１所示。
墼ｊ＝图Ｉ理Ｉ＿禽盈
蔷
图１地图创建过程
关键词号：Ｔ２２Ｐ４
文献标志码：Ａ
Ａｂｓｒｃ：Ｆｒｓａｃｉｇｔｅｏｔｌｔｆｒｂｔｕｅｎｉｏｍｅｔｗｉｈｏｓｒｃｉｎ，ｔｅｂｏｉｌｏｔｍｏａｈｐａｎｎｇｏｏｏｎｅｙｔａｔｏｅｒｈｎｈｐｉｈｏｏｏｎｄｒｅｖｒｎｎｔｂｔｕｔｍａｐａｏｈｉｎｃａｇｒｈｆｒｐｔｌｎｉｆｒｂｔｕｄｒｄ — ｉｎｍｉｎｉｏｍｅｔｉｐｏｏｅ．Ｂｙｕｉｇｔｅｇｄｍｅｈｄ，ｔｅａｇｒｔｍｏｓｒｃｓａｅａｍｏｅｉｇ；ａｄｔｅｆｒｇｎｅａｉｒｏｎｓｓｍｕａａｃｅｖｒｎｎｓｒｐｓｄｓｎｈｒｔｏｉｈｌｏｈｃｎｔｕｔｒｎｄｌｎｉｎｈｏａｉｇｂｈｖｏｆａｔｉｉｌ—

基于蚁群算法的路径规划优化研究

基于蚁群算法的路径规划优化研究路径规划是一项重要的任务，广泛应用于交通运输、物流配送、无人机航行等领域。

为了有效解决路径规划问题，科学家们提出了许多优化算法，其中蚁群算法是一种基于生物蚂蚁的行为提出的启发式优化算法。

本文将对基于蚁群算法的路径规划优化研究进行探讨。

一、蚁群算法概述蚁群算法是一种模拟蚂蚁觅食行为的启发式优化算法。

它模拟了蚂蚁通过信息素的交流和挥发来寻找最短路径的过程。

蚁群算法基于蚂蚁的群体智能和正反馈机制，在解决复杂路径规划问题上具有很强的鲁棒性和自适应性。

二、蚁群算法的应用蚁群算法已广泛应用于各种路径规划问题中。

例如，在交通运输中，我们可以将城市视为节点，道路视为边，通过蚁群算法来寻找最短路径，从而提高交通运输效率。

在物流配送中，可以利用蚁群算法优化各个配送节点的路径，减少配送时间和成本。

无人机航行中，蚁群算法可以帮助无人机避开障碍物，确保安全高效地完成飞行任务。

三、蚁群算法的优势相比其他优化算法，蚁群算法具有以下几个优势：1. 分布式计算：蚁群算法基于蚂蚁的群体智能，蚂蚁之间可以同时搜索多个解，提高了计算效率。

2. 鲁棒性：蚁群算法在解决路径规划问题时能够很好地处理不完全信息和动态环境变化。

3. 自适应性：蚁群算法具有自学习和自适应的能力，能够根据环境的变化调整路径规划策略。

四、路径规划优化案例以城市交通路径规划为例，假设有一座城市，包含多个节点和道路。

我们的目标是找到两个节点之间的最短路径。

首先，我们初始化一群蚂蚁，每只蚂蚁随机选择一个节点作为起点。

然后，每只蚂蚁根据节点之间的信息素浓度和距离信息，选择下一个节点。

蚂蚁会将经过的路径上释放信息素，并且信息素浓度与路径长度成反比。

当所有蚂蚁都到达目的节点后，我们更新节点之间的信息素浓度。

节点之间的信息素浓度会随着蚂蚁的路径长度而增加或减少。

同时，信息素会逐渐挥发，以模拟信息传递和更新的过程。

重复以上步骤，直到找到一个最短路径或达到迭代次数的上限。

基于蚁群优化算法的最优旅游路线模型设计

基于蚁群优化算法的最优旅游路线模型设计
假设我们有一系列的景点，每个景点都有其独特的吸引力和耗时。

我们需要设计一个模型来确定游客应该以怎样的顺序访问这些景点。

蚁群优化算法概述：蚁群优化算法模拟了蚂蚁在寻找食物时的行为。

每只蚂蚁通过释放信息素来引导其他蚂蚁找到更好的路径。

信息素浓度在路径选择中起到了重要的作用，蚂蚁会倾向于选择信息素浓度高的路径。

随着时间的推移，较短路径上的信息素浓度会增加，从而吸引更多的蚂蚁选择该路径，最终导致找到最优路径。

模型设计步骤：
a.初始化：随机放置一定数量的蚂蚁在起始景点。

b.路径选择：每只蚂蚁根据信息素浓度和启发式信息（如距离、吸引力等）选择下一个要访问的景点。

选择过程中，可以使用轮盘赌选择法，其中信息素浓度高的路径有更高的选择概率。

c.路径更新：每只蚂蚁完成一次路径选择后，根据其走过的路径长度和景点吸引力更新路径上的信息素浓度。

较短路径和吸引力更高的景点上的信息素浓度将增加，而较长路径上的信息素浓度将逐渐蒸发。

d.重复步骤b和c：重复执行路径选择和路径更新的步骤，直到达到指定的迭代次数或满足停止条件。

输出结果：在模型迭代完成后，选择具有最高信息素浓度的路径作为最优旅游路线。

改进蚁群算法及在路径规划问题的应用研究

改进蚁群算法及在路径规划问题的应用研究摘要：蚁群算法（Ant Colony Algorithm，ACA）是一种模拟蚂蚁觅食行为的集成优化算法，在优化问题和路径规划问题中得到广泛应用。

本文结合实例介绍了蚁群算法的基本原理及其优化过程，分析了蚁群算法的优势和不足，提出了一种改进方案，并以路径规划问题为例验证了该算法的有效性。

关键词：蚁群算法，路径规划，优化算法，改进一、绪论随着社会经济的快速发展，人们对于生产、物流、交通等方面的需求也在日益增加。

这时，如何快速准确地规划路径，对于提高效率、降低成本至关重要。

为了解决这一问题，学者们提出了相关的算法，蚁群算法就是其中之一。

蚁群算法是模拟蚂蚁觅食过程的群集智能算法，也是一种通过合理利用信息素实现自组织求解的集成优化算法。

在本文中，我们将对蚁群算法的基本原理及其运行流程进行介绍，并提出一种改进方案来优化其缺点，在路径规划问题中进行验证。

二、蚁群算法的基本原理1. 蚂蚁觅食行为的简介在物质缺乏时，蚂蚁集群会通过一定的方式来搜索食物。

在这个搜索过程中，随着蚂蚁的数量的增加，他们寻找到的食物也越来越多。

蚂蚁采食的过程中会留下信息素，信息素则会引导其他蚂蚁。

在蚂蚁的觅食过程中，信息素起着非常重要的作用。

2. 蚁群算法的基本原理蚁群算法是模拟蚂蚁觅食过程的过程，并以此为基础进行路径规划和优化问题的求解。

蚁群算法采用的是一种集群整体协作的方法，从而解决诸如最短路径、TSP（旅行商问题）等问题。

蚂蚁在搜索食物的过程中，留下信息素，信息素引导了其他蚂蚁，之后其他蚂蚁又留下信息素，这样不断的迭代过程，最终形成了一条路径。

而蚂蚁在往返路径的过程中，会不断地更新信息素，以此来引导其他的蚂蚁。

同时，这些信息素本身也会因为时间的推移和信息素的挥发而逐渐减少，仿真出了生物群体的行为特征。

3. 蚁群算法的优化过程蚁群算法的优化过程可以用以下五个步骤来描述：（1）初始化：初始化一些参数，如信息素、数量、距离等等。

基于改进型蚁群算法求解车辆路径优化问题的研究

短时间内求得车辆路径问题较为满意的最优解。关键词：蚁群算法；最近邻；路径优化；收敛速度；算法改进
ＲｅｅｒｈｆＳｌｎｇＶｅｉｌｕｔｎｇｓａｃｏｏｖｉｈｃｅＲｏｉＰｒｂｌｍＢａｅＩｏｅｓｄｏｎｍｐｒｖｅＡｎｔＣｏｏｇｒｔｏｄｌｎｙＡｌｏｉｈｍ
Ｏ引言
随着国际金融危机对我国经济影响的减弱和国内经济的
一
１２ＣＶＰ数学模型．Ｒ
设配送中心有ｋ辆车，个配送点配送货物，向ｎ配送模型用个加权图ＧＶ，）（Ｅ来表示，中Ｖｖｖ，）其（ ”ｖ表示配送点集，ｖ
代表配送中心，其余为客户点，：（．ｊｖｖ∈ｖ；ｊ代表从点Ｅｆｖｖｌ，，），ｊｉ ≠Ｊ
ＡｂｔａｔＦｒｔｅｈｒｃｍｉｇ，ｓｃａｓｏｓｒｃ：ｏｈｓｏｔｏｎｓｕｈｓｌｗｃｎｅｇｎｃｒｔａｄｅｓｏａｌｉｔｔｅｏａｂｓｅｕｔ，ｏｎｔｏｏｙａｇｒｈｏｖｒｅｅａｅｎａｙｔｆｌｎｏｈｌｃｌｅｔｓｌｒｓｆａｃｌｎｌｏｔｍｉ
ＬＩＵＸｉａｇ，ＺＨＡＯｉｎｍｉ — ｎｙＪａ — ｎ，ＸＵＨｕ・ｉｇ，ＺＨＵＸｉｚｏｇｉｙｎｎ—ｈｎ
（ｏｅｅｏｔｅｔｓｈｓｓａｄｈｏｍａｉｎＥｇｎｅｉｇｈｉｎｒａｎｖｒｔ，Ｊｎｕ，Ｚｅａｇ３１０，ＣｉａＣｌｇｆＭａｈｍａｉ，Ｐｙｉｎ￣ｒｔｎｉｅｒ，ＺｅａｇＮｏｍｌＵｉｓｙｉｈａｈｊｎ２０４ｈｎ）ｌｃｃｏｎｊｅｉｉ

改进蚁群算法求解两地间时间最优路径

ＳＦＷＲＥＥＯＭＮＮＥＩＮＯＴＡＥＶＬ改进蚁群算法求解两地间时间最优路径
赵海发。翟文胜
（郑州交通职业学院，郑州４０６）５０２摘要：为提高蚁群算法的运算效率，提出一种改进的蚁群算法来求解问题。研究中中引入阀值排序算法对搜索路
Ｔｅｓｌｔｎｒｓｌｉｄｃｔｓｔａｍｐｏｅｎｏｏｙａｇｒｔｍｅｕｅｈｌｏｉｍｆｉｒｔｅｔｓｒａｌｍｐｏｅｈｉａｉｅｕｔｎｉａｅｈｔｉｒｖｄａｔｃｌｎｌｏｉｍｕｏｈｒｄｃｓｔｅａｇｒｈｏｅａｉｉ，ｇｅｔｉｒｖｓｔｔｖｍｅｙ
ＺＨＡＯｉａ，ＨａｆＺＨＡＩＷｅｓｅｇｎｈｎ（ｈｎｚｏｉｔｎｉｅｓｙ，ｈｎｚｏ５０２ＺｅｇｈｕＪｏｏｇＵｎｖｒｔＺｅｇｈｕ４０６）ａｉ
ＡｂｔａｔＯｐｉｚｔｎｐｏｌｍｆｔｅｔｐｉｌｐｔｅｗｅｈＯｌｃｔｎｓｓｕｉｄｏｈａｉｎｏｏｙｓｒｃ：ｔｍｉｉｒｂｅｏｈｉａｏｍｅｏｔａｈｂｔｅｎｔｅｔｏａｉｓｉｔｄｅ．Ｆｒｔｅｂｓｃａｔｃｌｎｍａｗｏａｇｒｔｍｅｒｈｂｉｄｔｒｔｉｏｇａｄｔｐａｌｃｌｏｔｌｓｌｔｎｅｓｌ，ｎｉｒｖｄｉｔｌｇｎｎｏｏｙａｇｒｔｍｌｏｉｈｓａｃｌ，ｉａｅｔｎｅｍｅｌｎｎｒａｐｉｏｕｉａｉａｍｐｏｅｎｅｌｅｔｔｌｎｌｏｈａｏｍａｏｙｉａｃｉｉｐｏｏｅｏｉｒｖｈｐｏｌｍｓａｄｉｃｅｓｔｏｅａｉｎｌｅｆｉｎｙｎｔｅｐｏｒｍ，ｔｒｓｏｄｓｒａｇｒｔｍｓｓｒｐｓｄｔｍｐｏｅｔｅｒｂｅｎｎｒａｅｉｐｒｔａｆｃｅｃ．Ｉｒｇａｓｏｉｈｈｅｈｌｏｔｌｏｉｈｉｉｔｄｃｄｔｐｉｌｓａｃａｈｈｒｂｅｏｌｗｏｖｒｅｃｓｓｌｅｉｈｉａｓｄｂｌｄｅｓｏｎｏｏｙｎｒｕｅｏｏｔｏｍａｅｒｈｐｔ，ｔｅｐｏｌｍｆｓｏｃｎｅｇｎｅｉｏｖｄｗｈｃｓｃｕｅｙｂｉｎｓｆａｔｃｌｎｎａｇｒｔｍｏｖｒｅｃｎｔｅｅｒｙＩｒｖｄａｔｃｌｎｌｏｔｍｐｅｐｔｅｃｎｅｇｎｅｓｅｄａｄｉｒｖｈｔｂｌｙｌｏｉｈｃｎｅｇｎｅｉｈａｌ．ｍｐｏｅｎｏｏｙａｇｒｈｓｅｄｕｈｏｖｒｅｃｐｅｎｏｅｔｅｓａｉｔ．ｉｍｐｉ

基于改进多因素蚁群算法的路径规划研究

基于改进多因素蚁群算法的路径规划研究在当今社会，科技的发展日新月异，人工智能技术的应用也越来越广泛。

其中，路径规划作为人工智能的一个重要应用领域，对于提高交通效率、减少拥堵等方面具有重要意义。

本文将探讨一种基于改进多因素蚁群算法的路径规划方法，以期为相关领域的研究提供新的思路和方向。

首先，我们需要了解什么是蚁群算法。

蚁群算法是一种模拟自然界蚂蚁觅食行为的优化算法，通过蚂蚁之间的信息传递和协同合作来寻找最优解。

在路径规划问题中，我们可以将蚂蚁看作是一个移动的智能体，通过不断地探索和学习来找到从起点到终点的最短路径。

然而，传统的蚁群算法存在一些问题，如收敛速度慢、容易陷入局部最优等。

为了解决这些问题，我们可以引入多因素蚁群算法。

这种算法在传统蚁群算法的基础上，增加了对多个因素的影响考虑，如道路拥堵情况、交通信号灯状态等。

这样可以使算法更加全面地评估各种因素对路径选择的影响，从而提高路径规划的准确性和效率。

接下来，我们来看一下如何实现这种改进的多因素蚁群算法。

首先，我们需要构建一个包含多个影响因素的模型。

例如，我们可以将道路拥堵情况表示为一个数值矩阵，其中每个元素代表对应路段的拥堵程度；将交通信号灯状态表示为一个布尔矩阵，其中每个元素代表对应路口的信号灯是否为红灯。

然后，我们可以将这些模型与蚁群算法结合起来，使得蚂蚁在选择路径时能够同时考虑到这些影响因素。

在实际应用中，我们还需要注意一些细节问题。

例如，如何合理设置蚂蚁的数量和参数，以保证算法的稳定性和收敛性；如何有效地处理异常情况，如交通事故等突发事件导致的路径变化等。

这些问题都需要我们在实际应用中不断探索和完善。

总之，基于改进多因素蚁群算法的路径规划研究具有重要的理论意义和实践价值。

通过引入多个影响因素的考虑，我们可以更加全面地评估各种因素对路径选择的影响，从而提高路径规划的准确性和效率。

在未来的研究和应用中，我们还需要进一步探索和完善这种算法的细节问题，以更好地服务于实际需求。

基于改进蚁群算法的时间最优路径规划研究

２０２０年第３期车辆与动力技术Ｖｅｈｉｃｌｅ＆ＰｏｗｅｒＴｅｃｈｎｏｌｏｇｙ总第１５９期文章编号：１００９－４６８７（２０２０）０３－０００７－０４收稿日期：２０２０－０６－２２．作者简介：赵梦彤（１９９６－），女，硕士研究生，研究方向为交通运输工程．基于改进蚁群算法的时间最优路径规划研究赵梦彤，　李颖宏，　范晶晶（北方工业大学电气与控制工程学院，北京１００１４４）摘　要：在经典蚁群算法的基础上，融合通过性等级评估值和推荐车速，设计以通过时间最短为目标的改进蚁群算法启发函数；以车辆安全性建立动态约束，得到兼顾通行效率、通过性和安全性的优化路径．仿真实验结果表明：改进蚁群算法相比经典蚁群算法，通行时间节约了１１１％．能够得到一条更加符合车辆通行特性且通过时间最短的规划路径，使得车辆更安全、平稳、快速地到达预期位置．关键词：履带无人车辆；通过性等级评估；路径规划；蚁群算法中图分类号：Ｕ４６９６＋９４；Ｕ４６１９９；Ｏ２３１文献标识码：ＡＳｔｕｄｙｏｎＴｉｍｅＯｐｔｉｍａｌＰａｔｈＰｌａｎｎｉｎｇＢａｓｅｄｏｎＩｍｐｒｏｖｅｄＡｎｔＣｏｌｏｎｙＡｌｇｏｒｉｔｈｍＺＨＡＯＭｅｎｇｔｏｎｇ，　ＬＩＹｉｎｇｈｏｎｇ，　ＦＡＮＪｉｎｇｊｉｎｇ（ＮｏｒｔｈＣｈｉｎａＵｎｉｖｅｒｓｉｔｙｏｆＴｅｃｈｎｏｌｏｇｙ，ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｉｃａｌａｎｄＣｏｎｔｒｏｌＥｎｇｉｎｅｅｒｉｎｇ，Ｂｅｉｊｉｎｇ１００１４４，Ｃｈｉｎａ）Ａｂｓｔｒａｃｔ：Ｏｎｔｈｅｂａｓｉｓｏｆｃｌａｓｓｉｃａｌａｎｔｃｏｌｏｎｙａｌｇｏｒｉｔｈｍ，ｃｏｍｂｉｎｉｎｇｔｈｅｅｖａｌｕａｔｉｏｎｖａｌｕｅｏｆｔｒａｆｆｉｃａｂｉｌｉｔｙｇｒａｄｅａｎｄｔｈｅｒｅｃｏｍｍｅｎｄｅｄｓｐｅｅｄ，ａｎｉｍｐｒｏｖｅｄａｎｔｃｏｌｏｎｙａｌｇｏｒｉｔｈｍｈｅｕｒｉｓｔｉｃｆｕｎｃｔｉｏｎｉｓｄｅｓｉｇｎｅｄｗｉｔｈｔｈｅｇｏａｌｏｆｓｈｏｒｔｅｓｔｐａｓｓｉｎｇｔｉｍｅＴｈｅｄｙｎａｍｉｃｃｏｎｓｔｒａｉｎｔｓａｒｅｅｓｔａｂｌｉｓｈｅｄｂｙｖｅｈｉｃｌｅｓａｆｅｔｙ，ａｎｄｔｈｅｏｐｔｉｍｉｚｅｄｐａｔｈｃｏｎｓｉｄｅｒｉｎｇｔｒａｆｆｉｃｅｆｆｉｃｉｅｎｃｙ，ｔｒａｆｆｉｃａｂｉｌｉｔｙａｎｄｓａｆｅｔｙｉｓｏｂｔａｉｎｅｄＴｈｅｓｉｍｕｌａｔｉｏｎｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｉｍｐｒｏｖｅｄａｎｔｃｏｌｏｎｙａｌｇｏｒｉｔｈｍｃａｎｓａｖｅ１１１％ｏｆｔｈｅｔｒａｆｆｉｃｔｉｍｅｃｏｍｐａｒｅｄｗｉｔｈｔｈｅｃｌａｓｓｉｃａｌａｎｔｃｏｌｏｎｙａｌｇｏｒｉｔｈｍＩｔｃａｎｇｅｔａｍｏｒｅｃｏｎｓｉｓｔｅｎｔｗｉｔｈｔｈｅｖｅｈｉｃｌｅｔｒａｆｆｉｃｃｈａｒａｃｔｅｒｉｓｔｉｃｓａｎｄｔｈｅｓｈｏｒｔｅｓｔｐａｓｓｉｎｇｔｉｍｅｐｌａｎｎｉｎｇｐａｔｈ，ｓｏｔｈａｔｔｈｅｖｅｈｉｃｌｅｃａｎｒｅａｃｈｔｈｅｅｘｐｅｃｔｅｄｐｏｓｉｔｉｏｎｍｏｒｅｓａｆｅｌｙ，ｓｍｏｏｔｈｌｙａｎｄｑｕｉｃｋｌｙＫｅｙｗｏｒｄｓ：ｕｎｍａｎｎｅｄｔｒａｃｋｅｄｖｅｈｉｃｌｅｓ；ｔｒａｆｆｉｃａｂｉｌｉｔｙａｓｓｅｓｓｍｅｎｔ；ｐａｔｈｐｌａｎｎｉｎｇ；ａｎｔｃｏｌｏｎｙａｌｇｏｒｉｔｈｍ随着无人装备在现代战争中的初步运用，地面无人车辆受到了高度重视．地面无人车辆面临的野外地面环境是复杂多样的，特别是面向军事设施侦察、长途越野运输、高危环境作业、甚至是战后、灾后搜救等任务，要求无人车辆在不同地表覆盖和起伏越野环境下都能够正确地决策规划从而实现快速的自主机动［１］．正确快速的路径规划算法是尽量规避所有风险，能够自主地完成设定任务的基础［２］．路径规划属于空间搜索问题，为了使得效果更加理想，国内外学者做了大量的研究，其方法主要分为启发式算法和进化算法．启发式算法如遗传算法、蚁群算法和粒子群算法，等等，由于可以更好、更充分地探索整个规划空间，因此可以提供最优的路径选择；进化算法如遗传算法、免疫算法和粒子群算法，等等，则是模拟生物在自然界中的进化，是一种成熟的具有高鲁棒性和广泛适用性的全局优化方法．虽然进化算法非常适合进行路径规划类的全局规划型任务，但它们缓慢的迭代过程使得其难以实时运行，拉低了规划路径的效率．通过查阅资料，车辆与动力技术２０２０年对于三维环境下的路径规划问题，目前主要应用在无人机、自主潜水艇以及各类机器人方面研究较多．德国Ｃｈａｕｌｗａｒ等作者［３］通过快速探索随机树（ＲＲＴ）算法结合车辆的纵向和横向动力学来规划安全轨迹．国内朱大奇［４］等作者依据生物启发模型对水下自主机器人进行路径规划．孙健等作者［５］设计了在无人机跟踪目标工况下的一种切线方法，由于该方法引入了速度和加速度规划，所以能够计算出满足动力学限制条件的下一时刻飞行状态．本研究在经典蚁群算法的基础上，提出履带式无人平台通过性分级方法，并采用该法对履带无人平台的环境通过性进行评估，提出各分级下的推荐车速．结合通过性分级和推荐车速，设计以通过时间最短为目标的改进蚁群算法启发函数，以车辆安全性建立动态约束，得到兼顾通行效率、通过性和安全性的优化路径．１　融入路面通过性等级的蚁群算法１１　可视搜索空间将无人车辆的运动简化为前进、左移、右移、上坡、下坡５个操作，并规定ｘ轴为车辆运动的主方向，在向前运动一定单位距离Ｌｘ的情况下，允许车辆最大左移或右移距离为Ｌｙ，纵向最大移动距离为Ｌｚ．假设蚂蚁当前位某栅格为ａ（ｉ，ｊ，ｋ），则蚂蚁在该点的可视域如图１所示．图１　蚂蚁可视搜索空间１２　路面通过性等级评估在瞬息万变的作战环境中，首先会面临如何能使车辆安全、快速地到达目的地的行进路线选择的问题，即求解两地之间的时间最优问题．在本研究中就以时间最优为目标，融合在路径选择中对环境的通过性等级评估结果及推荐速度，促使车辆选择对于自身更加“安全”、通过时间最短的路线．据调查，影响车辆行驶的因素主要有陡坡、台阶、侧坡、壕沟等因素．在本研究中，限制条件主要由阶跃、纵向坡度、横向坡度、崎岖度４个指标构成．为了使算法能够在尽量短的时间内更加准确地找到符合条件的路径，可通过阶跃、纵向坡度、横向坡度与崎岖度值与车辆物理运动限制相结合，按照地图中每个栅格的情况，首先将每一个栅格对应一个通行难度等级，得出以通过性为分级标准的环境模型；然后再对待选栅格进行选择．假设当前点在栅格地图中位置为（ｉ，ｊ，Ｚｉ，ｊ），其中，ｉ＝１，２，３…ｎ，ｊ＝１，２，３…ｍ，ｎ、ｍ为通过ｘ轴、ｙ轴将地图等分切片的份数．主要限制条件计算方法如下：１）阶跃．计算目标点与其相邻的８个点的最大高度差．即：δ＝ｍａｘ（｜Ｚｉ，ｊ－Ｚｉ１，ｊ１｜，｜Ｚｉ，ｊ－Ｚｉ１，ｊ｜，｜Ｚｉ，ｊ－Ｚｉ１，ｊ＋１｜，｜Ｚｉ，ｊ－Ｚｉ，ｊ１｜，｜Ｚｉ，ｊ－Ｚｉ，ｊ＋１｜，｜Ｚｉ，ｊ－Ｚｉ＋１，ｊ１｜，｜Ｚｉ，ｊ－Ｚｉ＋１，ｊ＋１｜，｜Ｚｉ，ｊ－Ｚｉ＋１，ｊ｜）．（１）２）纵向坡度．车辆前进方向与水平面的夹角，如图２所示．α＝ａｒｃｔａｎ（（Ｚｉ，ｊ－Ｚｍ，ｎ）／（ｍ－ｉ）２＋（ｎ－ｊ）槡２）．（２）图２　纵向坡度示意图３）横向坡度．车辆前进方向与横向方向水平面夹角，如图３所示．β＝ａｒｃｔａｎＺｉ，ｊ－Ｚｍ，ｎｎ－ｉ．（３）图３　横向坡度示意图４）崎岖度．在一定水平距离范围Ｎ内，高度·８·第３期赵梦彤等：基于改进蚁群算法的时间最优路径规划研究变化的剧烈程度．用阶跃的平均方根值表达．ω＝∑Ｎ，Ｎｉ＝１，ｊ＝１δ２ｉ，ｊＮ槡２．（４）根据汽车地形通过性试验方法ＧＢ／Ｔ１２５４１９０与实验所用车辆物理限制．车辆性能以及以上４种限制条件可将地图栅格分为８个等级，如表１所示．其中，设定最理想的栅格等级为“８”称之为最高等级，次之的等级为“７”，依此类推．表１　通过性等级评估表与平均行驶速度对应表等级δ／ｃｍα／（°）β／（°）ω／ｃｍ平均行驶速度／（ｋｍ·ｈ－１）８０≤δ＜５０≤α＜３０≤β＜２０≤ω＜２５３６９７５≤δ＜１０３≤α＜６２≤β＜４２５≤ω＜５２４７６１０≤δ＜１５６≤α＜１０４≤β＜６５≤ω＜７５１８３５１５≤δ＜２０１０≤α＜１５６≤β＜９７５≤ω＜１０１２３４２０≤δ＜２５１５≤α＜２０９≤β＜１２１０≤ω＜１２５９２３２５≤δ＜３０２０≤α＜２５１２≤β＜１５１２５≤ω＜１５６２２３０≤δ＜３５２５≤α＜３０１５≤β＜１８１５≤ω＜１７５２４１δ≥３５α≥３０β≥１８ω≥１７５０１３　以时间为最优的启发函数设计启发函数在指导蚁群搜索过程中不可或缺，对蚁群能够快速、高效、准确地规划出一条可行路径起着重要的作用［６］．当蚂蚁从当前栅格移动到下一栅格时，可以根据启发函数来计算可视区域之内各个备选栅格的选择概率，启发函数可以用Ｈ（ｉ，ｊ，ｋ）表示，其计算过程如公式（５）所示．Ｈ（ｉ，ｊ，ｋ）＝Ｓ（ｉ，ｊ，ｋ）·Ｔ（ｉ，ｊ，ｋ）·Ｄ（ｉ，ｊ，ｋ）．（５）Ｓ（ｉ，ｊ，ｋ）＝１，ｅｌｓｅ０，（ｉ，ｊ，ｋ）∈｛Ｒｅｓｔｒｏｃｔｅｄ＿ａｒｅａ{｝，（６）Ｔ（ｉ，ｊ，ｋ）＝（ｘａ＋ｘｂ）２＋（ｙａ＋ｙｂ）２＋（ｚａ＋ｚｂ）槡２Ｖ（ｉ，ｊ，ｋ），（７）Ｄ（ｉ，ｊ，ｋ）＝（ｘｂ＋ｘｃ）２＋（ｙｂ＋ｙｃ）２＋（ｚｂ＋ｚｃ）槡２．（８）式中：ｋ＝１，２，３，…，ｌ，ｌ为通过ｚ轴将地图等分切片的份数；ａ为当前所在栅格；ｂ为备选栅格；ｃ为目标栅格；Ｖ（ｉ，ｊ，ｋ）为从当前栅格至备选栅格的平均行驶速度．不同的栅格通过性等级，其平均行驶速度也不相同，具体对应方式如表１所示．Ｓ（ｉ，ｊ，ｋ）为安全性因素．当下一栅格无法满足限制条件时，其值为０，否则为１．该算法促使蚂蚁选择对自身更加安全的栅格．环境路面局势多变，在启发函数算法中也应考虑敌方控制区域（Ｒｅｓｔｒｉｃｔｅｄ＿ａｒｅａ）对车辆的限制，以便引导车辆选择非敌方控制区域路线更加安全、隐蔽地完成任务．Ｔ（ｉ，ｊ，ｋ）为当前栅格至备选栅格的时间因素，其计算过程如公式（７）所示．该算法总能够促使蚂蚁在下一步选择耗时最短的栅格．Ｄ（ｉ，ｊ，ｋ）则是备选栅格至目标点所在栅格的距离，由公式（８）算出．该算法能够促使蚂蚁选择距离最短的路径．１４　备选栅格选择概率在可视区域内每个备选栅格（ｉ′，ｊ′，ｋ′）的选择概率ｐ（ｉ′，ｊ′，ｋ′），按公式（９）计算．ｐ（ｉ′，ｊ′，ｋ′）＝τｉ′，ｊ′，ｋ′Ｈｉ′，ｊ′，ｋ′Ｌｉ′，ｊ′，ｋ′∑（τｉ′，ｊ′，ｋ′＋Ｈｉ′，ｊ′，ｋ′＋Ｌｉ′，ｊ′，ｋ′）．（９）式中：τ为点（ｉ′，ｊ′，ｋ′）的信息素值；Ｈ为（ｉ′，ｊ′，ｋ′）的启发值；Ｌ为点（ｉ′，ｊ′，ｋ′）的通过性等级．信息素的更新主要包括局部和全局更新两部分．局部更新是指蚂蚁经过某栅格时，就减少该处信息素以此来扩大蚂蚁的搜索范围增加未经过点被搜索的概率，信息素更新公式如式（１０）所示．全局更新是指在一只蚂蚁完成全部搜索后，从中选出最短路径增加其各个栅格的信息素，信息素更新公式如式（１１）所示．τ＝（１－ζ）τ１．（１０）τ＝（１－ρ）τ１＋ρＫｍｉｎ（ｌｅｎｇｔｈ（ｎ））．（１１）式中：τ、τ１分别为栅格上所带的信息素新值和旧值；ζ为信息素的衰减系数，通过查阅资料，本研究设置为０６；ρ为信息素更新系数，Ｋ为常数，ｌｅｎｇｔｈ（ｎ）为第ｎ只蚂蚁所通过的路径长度．２　算法流程车辆在不同等级栅格的行驶速度、行驶状态都是有区别的．一般车辆在最理想的栅格都比在低等级栅格上行驶的车速快、状态更稳定，对于车辆自身也更加安全．因此在本研究中，在车辆选取下一栅格时，是通过融合启发值与栅格等级来进行选·９·择，使得车辆能够选择更加安全、省时的路线完成既定任务．算法步骤如下：１）根据实际地图建立抽象环境模型．确定起点和目标点在抽象环境模型中的栅格位置，确定蚂蚁移动的主方向．２）根据当前实际环境以及所设置的车辆通过性，判断可视区域内各栅格的可通过性．若该可视区域内各栅格均不能通过则算法结束并报错．３）计算可视区域内各栅格的通过性等级，设计时间最优启发函数．４）根据启发函数计算公式计算可视区域内各可通过栅格的启发值．５）计算在可视区域内各栅格选择概率ｐ（ｉ′，ｊ′，ｋ′），选择下一栅格并更新信息素值．６）判断蚂蚁是否到达终点，若已到达则进行全局信息素更新，否则返回步骤２．图４　算法流程图３　仿真实验效果分别运用经典蚁群算法与本研究所优化的蚁群算法在长、宽、高分别为２０ｋｍ、２０ｋｍ、２０ｍ的规划空间进行仿真．设置起点坐标为［２，２０，１］，终点坐标为［７，５，２］．两种算法的基本设置均为种群规模１０００，迭代次数为５０次．在经典蚁群算法设置中，车辆速度取１５ｋｍ／ｈ的平均值．最终可看到两种算法分别所得最优路径的结果如图５、图６所示．图５　等高线视图下经典蚁　图６　等高线视图下改进群算法路径规划结果算法所得路径规划果　由图５、图６等高线图可看出，仿真所用地形高低起伏不定．两种算法都能有效规避由于敌方控制区或车辆由于自身最大爬坡角度等物理限制无法到达的地点．但改进算法由于融合了通过性等级评估值和推荐车速，因此规划出的路径更加符合车辆运动规律，能够确保其安全性及稳定性．通过表２可知，两种算法都能够从出发点到目标点规划出一条起点至终点时间相对最优的路线．就规划的最优路径长度而言，由于改进算法较一般的蚁群算法增加了环境通过性等级限制因素，最大程度地避开了难以攀爬和翻越的障碍，因此路径长度有所增加．但在最优路径的通过时间方面，由于改进算法能够通过不同环境进行分级，使得车辆速度的分配更加合理。

基于改进蚁群算法求解最优路径方法的研究

基于改进蚁群算法求解最优路径方法的研究邓雷;朱永利;张雷【摘要】为保障电力系统供电可靠性,快速确定故障点到物资点最短路径是电力线路管理的一项重要功能.传统蚁群算法存在着收敛速度慢,易陷入局部最优解等缺点.文章针对其缺点,提出了一种结合最大最小蚁群算法,采用基于角度和信息素混合因素进行局部搜索并从起点和目标点双向搜索的改进蚁群算法.通过实验仿真表明,改进算法能有效地解决最短路径问题,在实际应用中具有可行性.【期刊名称】《电力科学与工程》【年(卷),期】2011(027)003【总页数】5页(P18-21,71)【关键词】蚁群算法;最优路径;电力线路【作者】邓雷;朱永利;张雷【作者单位】华北电力大学电气与电子工程学院,河北,保定,071003;华北电力大学电气与电子工程学院,河北,保定,071003;华北电力大学电气与电子工程学院,河北,保定,071003【正文语种】中文【中图分类】TM711电力线路意外故障所导致的停电将会严重影响人们的生活质量，也会对生产设备以及产品的生产造成严重后果，因此，对电力线路故障快速修复有重要意义。

如何选择最优修复路径成为电力线路抢修中的重要问题。

当发生故障时，故障监测设备会监测到故障并发送信号给线路管理系统，系统确定故障点并通过智能算法在众多故障点到抢修物资点的路径中确定最优的抢修路径，使路障得到快速抢修，保证快速恢复供电。

目前，对确定最优路径的选择已经有了很多算法，如Dijkstra算法、A*算法、遗传算法和蚁群算法等。

传统的Dijkstra算法虽然能确保找到最优路径，但随着网络规模的扩大，内部的二重循环将导致执行效率严重降低。

A*算法的全局性较差，容易陷入局部最优解。

遗传算法作为一种随机优化算法，局部搜索能力较差，很容易出现早熟收敛现象［1］。

蚁群算法是20世纪90年代的一种模拟进化算法，这种算法的优点是具有分布计算、信息正反馈和启发式搜索的特征，已经成功用于解决TSP(旅行商)组合优化问题，但是传统蚁群算法有着易早熟、陷入局部最优解等问题。

基于改进蚁群算法的机器人末端路径排序优化

基于改进蚁群算法的机器人末端路径排序优化张铁;苏杰汶【摘要】建立了针对机器人加工时的末端运动路径排序优化问题的数学模型，将该模型转化为广义旅行商问题并用蚁群算法求解。

同时对经典的蚁群算法进行了改进，即采用多阶段搜索策略、邻域搜索策略及多蚁种搜索策略，使改进后的蚁群算法能为机器人求取一条更优的末端运动路径。

计算机仿真与机器人加工实验结果表明，改进蚁群算法所得的末端运动路径比基本蚁群算法所得结果缩短了3％以上。

%For the path sorting optimization of robotic end-effector in robotic machining ,a solu-tion was presented,that established mathematical model for this problem and converted it to general-ized traveling salesman problem (GTSP)and solved this problem by ACA.Meanwhile,the classical ACA was improved with multi stage search strategy,neighborhood search strategy and multi ant type strategy,so that the improved ACA was able to calculate a more optimized end-effector path for ro-botic machining.The results of simulation and robotic machining prove that the end-effector path ob-tained by improved ACA is shorter than 3% above the basic ACA’s.【期刊名称】《中国机械工程》【年(卷),期】2016(027)019【总页数】6页(P2624-2629)【关键词】机器人;路径排序优化;旅行商问题;改进蚁群算法优化【作者】张铁;苏杰汶【作者单位】华南理工大学，广州，510641;华南理工大学，广州，510641【正文语种】中文【中图分类】TP242.2在机器人打磨与雕刻中，为了提高加工效率，需要对机器人末端的运动路径进行优化。

基于改进型蚁群算法的最优路径问题求解

基于改进型蚁群算法的最优路径问题求解
胡耀民;刘伟铭
【期刊名称】《华南理工大学学报（自然科学版）》
【年(卷),期】2010(038)010
【摘要】如何向用户提供"高质量"的最优路径是导航系统应解决的关键问题.针对该问题,文中提出了带多个路径质量约束的最优路径数学模型.为求解该模型,在蚁群算法的基础上重新设计信息素局部更新规则和全局更新规则,引入信息素更新算子,动态调整、增加最优路径上信息素的规则,并通过改进能见度启发因子,得到改进型蚁群算法.仿真实验证明,改进后的蚁群算法具有良好的寻优性和收敛性,能准确找出路网中满足路径质量约束的最优路径.
【总页数】6页(P105-110)
【作者】胡耀民;刘伟铭
【作者单位】华南理工大学,土木与交通学院,广东,广州,510640;广州番禺职业技术学院,信息工程学院,广东,广州,511483;华南理工大学,土木与交通学院,广东,广州,510640
【正文语种】中文
【中图分类】U491
【相关文献】
1.基于改进型蚁群算法的最优路径问题求解 [J], 张志协;曹阳
2.基于改进蚁群算法的震后应急救灾车辆最优路径选择 [J], 常赟杰; 王胜芹; 谭阳
3.基于改进蚁群算法的移动机器人最优路径规划 [J], 袁福龙;朱建平
4.基于改进蚁群算法的物流运输最优路径优化模型构建 [J], 张强
5.基于改进蚁群算法的柑橘采摘最优路径 [J], 陈鑫;王海宝;罗强;王昌洪;钱伟因版权原因，仅展示原文概要，查看原文内容请购买。

基于改进蚁群算法的铁路路网最优路径规划

基于改进蚁群算法的铁路路网最优路径规划薛明昊;杨淮清【摘要】多条件最优路径规划问题是铁路出行查询系统的重要功能之一.将路径规划问题转化为以用户多种条件组合为目标函数的最优化问题,并将改进的蚁群算法应用于该问题,使查询系统能够满足各类用户的查询要求,并给出最优解或次优解.仿真实验表明:该算法的实时性很高,是一种行之有效的方法.【期刊名称】《计算机工程与应用》【年(卷),期】2010(046)003【总页数】4页(P189-191,210)【关键词】蚁群算法;Dijkstra算法;路径规划【作者】薛明昊;杨淮清【作者单位】沈阳工业大学,沈阳,110178;沈阳工业大学,沈阳,110178【正文语种】中文【中图分类】TP3111 引言随着交通智能化的迅速发展，铁路路网中两点间最优路径问题的研究也日趋成熟。

其中两点间距离最短问题已经成为研究重点，也是其他最优问题的研究基础。

在此问题上常采用的方法有非智能非进化算法——Dijkstra算法[1]，智能进化算法——蚁群算法[2-3]以及各种改进的蚁群算法[4-9]。

其中Dijkstra算法为贪心算法，在求解源点到终点的过程中，每一个点都是选取当前可选路段中距离最小的那个点，直到终点。

而研究发现：单步最优的综合并不一定就是全局最优，也就是说Dijkstra算法所求的解不一定是最优解。

为有效地解决这个问题，提出基于改进蚁群算法的铁路路网两点间最优路径求解算法。

2 基本蚁群算法蚁群算法（Ant Colony Algorithm）是一种智能模拟进化算法，最初由意大利的学者M.Dorigo等人提出，是一种仿生学算法。

它模拟了自然界中的蚂蚁觅食的行为，采取用具有智能的蚂蚁，通过个体间的信息交流与协作来寻找蚁穴到食物源的最优路径（最短路径）。

基本原理可以理解为，蚂蚁通过对外释放信息素，进行交流与合作，蚂蚁在运动过程中根据所获取信息素的浓度来选择路径，同时释放自己的信息素。

基于改进型蚁群算法的最优路径问题求解

基于改进型蚁群算法的最优路径问题求解张志协;曹阳【摘要】如何高效的向用户提供最优路径是蚁群算法大规模应用于导航系统的关键问题,针对现有最优路径问题研究中蚁群算法收敛速度慢及容易发生停滞的缺点,利用A*算法的启发式信息改进蚁群算法的路径选择策略,加快算法收敛速度.同时引入遗传算法的双种群策略和蚁群系统信息素更新策略,增加全局搜索能力,避免算法出现停滞现象.仿真实验结果表明,该改进算法具有较好的稳定性和全局优化性,且收敛速度较快.%Efficient optimal path is the key issue of the Ant Colony Algorithm used in road traffic navigation system. Aiming at the problem of slow convergence and stagnation phenomenon of Ant Colony Algorithm, this paper introduce path selection strategy which is based on the heuristic factor of A* algorithm to speed up the convergence. Meanwhile the Double-population strategy of the Genetic algorithm and the pheromone update rules of the Ant Colony System (ACS) are introduced in the algorithm, which avoid stagnation of the algorithm of the algorithm and speed up convergence. The results of the simulation experiment show that the improved algorithm has good stability, global optimization and fast convergence.【期刊名称】《计算机系统应用》【年(卷),期】2012(021)010【总页数】5页(P76-80)【关键词】最优路径;蚁群算法;A*算法;双种群策略【作者】张志协;曹阳【作者单位】华南师范大学计算机学院,广州510631;华南师范大学计算机学院,广州510631【正文语种】中文最优路径问题是网络优化技术的核心, 自20世纪50年代开始就陆续有各个领域的学者对网络最优路径问题进行研究, 其中最经典的是基于 Bellman优化原理的Dijkstra算法, Floyd算法和A*算法. 这些经典算法以静态的确定性网络为研究对象, 因计算复杂度较大通常仅适用于静态中小规模网络. 近年来, 为了适应动态网络问题发展的需要, 许多研究人员将智能仿生算法应用到最优路径问题上并取得了良好的效果,如: 遗传算法、模拟退火算法、蚁群算法等[1].蚁群算法[2]是继模拟退火算法、遗传算法和人工神经网络算法等启发式算法后的又一种应用于优化问题的算法. 该算法先后成功应用于调度问题、旅行商问题和网络路由问题, 实验结果表明蚁群算法具有较强的鲁棒性和发现较好解的能力, 但与此同时蚁群算法也存在一些缺点, 如收敛速度慢、易出现停滞现象等[1]. 针对蚁群算法的缺点, 学者们提出了一些改进方法, 其内容主要集中在路径选择、信息素局部更新和信息素全局更新三个方面. 其中 L.M.Gambardella,M.Dorigo[3]提出了Ant-Q 算法, 该算法用伪随机比例状态转移规则替换蚁群算法中的随机比例规则, 从而使Ant-Q算法在构造解的过程中能够更好的保持知识探索与利用之间的平衡. 除此之外, 该算法还引用了局部信息素更新机制和全局信息素更新中的精英策略. Stutzle和 Hoss[4]提出了最大-最小蚂蚁系统, 通过为信息素设置上下限来避免算法过早出现停滞现象.Bullnheimer等[5]提出了基于排序的蚂蚁系统, 该算法在完成一次迭代之后, 根据路径的长度赋予不同的权重进行信息素更新.在应用于两点间最优路径问题求解上, 刘伟[6]采用双种群策略扩大蚁群算法的搜索范围, 提高算法的全局搜索能力降低停滞现象发生概率, 但算法的收敛速度较慢总体效率不高; 刘好斌等[7]利用信息素对比度增强规则改进算法的路径选择策略, 在一定程度上加快算法的收敛速度, 但运行过程中容易陷入局部搜索, 导致停滞现象的发生; 胡耀民等[8]在蚁群算法基础上重新设计了信息素更新规则, 引入信息素更新算法, 通过动态调整、增加最优路径上信息素的规则加速算法的收敛速度. 本文在文献[8]的基础上, 根据蚁群算法的改进策略融合 A *算法、遗传算法的思想和蚁群系统的信息素更新策略, 提出一种改进型蚁群算法.该改进算法在使用 A *算法启发式信息为蚁群算法加入方向启发式因子, 启发蚂蚁向目标方向前进的同时,利用遗传算法的双种群优势增强蚁群算法的全局搜索能力, 从而有效的提高蚁群算法求解最优路径问题的效率.1 传统蚁群算法蚁群算法是一种智能仿生算法, 于 1991年由Dorigo M提出[1]. 它模拟了自然界中蚂蚁觅食的行为,采取用具有智能的蚂蚁, 通过个体间的信息交流与协作来寻找蚁穴到食物源的最优路径(最短路径). 其数学模型如下[9]:蚂蚁k (k =1,2,…,m)在运动过程中, 根据各条路径上的信息素浓度决定其转移方向. 这里用禁忌表tabuk(k =1,2,…,m)来记录蚂蚁k当前所走过的城市, 集合随着进化过程作动态调整. 在搜索过程中,蚂蚁根据各条路径上的信息浓度及路径的启发信息来计算状态转移概率. ( t)表示在t时刻蚂蚁k由城市i转移到城市 j的状态转移概率:其中 a llowed k = ｛C - tabu k｝, 表示蚂蚁k下一步允许选择的城市; α为信息素启发因子, 表示轨迹的相对重要性, 反映了蚂蚁在运动过程中所积累的信息在蚁群运动时所起的作用, 其值越大, 则该蚂蚁越倾向于选择其他蚂蚁经过的路径, 蚂蚁之间的协作越强;β为期望启发式因子, 表示能见度的相对重要性, 反映了蚂蚁在运动过程中启发信息在蚂蚁选择路径中的受重视程度, 其值越大, 则该状态转移概率越接近于贪心规则; η ij(t )为能见度启发因子, 表示目标的能见度, 其表达式如下:其中, dij表示城市i与城市 j之间的欧式距离. 对蚂蚁k而言, d ij越小, 则η ij(t)越大, pikj ( t)越大. 显然,该启发式函数表示蚂蚁从城市i转移到城市 j的期望程度.为了避免残留信息素过多引起残留信息淹没启发式信息, 在每只蚂蚁走完一步或者完成对所有n个城市的遍历后, 要对残留信息进行更新处理. 其中,t+ n 时刻在路径( i , j)上的信息素可按如下规则进行调整:其中, ρ表示信息素挥发系数, 则1-ρ表示信息素残留因子, 为了防止信息素的无限量积累, ρ的取值范围为: ρ⊂[0,1); )表示本次循环中路径(i , j)上的信息素增量, 初始时刻Δ τij(0 )=0, 表示第k只蚂蚁在本次循环中留在路径 ( i , j)上的信息量.2 蚁群算法的改进策略传统蚁群算法在实现过程中容易出现停滞和收敛速度慢的现象, 具体表现为: ①蚂蚁在行进过程中常常选择信息素浓度较大的路径, 当搜索进行到一定程度后, 致使所有个体搜索的解相同, 不能对解空间进一步搜索, 不利于发现更好的解; ②蚂蚁在行进过程中, 所有路径上的信息素浓度相差不大, 缺乏一定的启发式信息, 致使蚁群的解空间增大, 不能快速收敛.在最优路径问题实际的应用过程中, 许多研究人员针对蚁群算法的停滞现象和收敛速度问题提出了许多改进方法, 如: 文献[6]利用双种群策略扩大蚁群算法的搜索范围, 降低停滞现象发生概率; 文献[7]的通过信息素对比增强规则提高算法的收敛速度. 虽然这些改进算法在一定程度上加快了算法的收敛速度或者减少了停滞现象发生的概率, 但总的来说, 减少停滞现象和加快收敛速度是该算法矛盾的两个方面. 收敛速度的加快必然会增加出现停滞现象的概率; 反之,减少停滞现象, 提高全局搜索能力则会导致收敛速度下降. 因此, 如何在提高收敛速度和减少停滞现象之间选取一个平衡点就成为了算法改进的关键. 本文根据蚁群算法的改进策略融合算法、遗传算法的思想和蚁群系统的信息素更新策略, 提出一种改进型蚁群算法, 从而有效的解决收敛速度与停滞现象的平衡问题,提高蚁群算法求解最优路径问题的效率.2.1 路径选择策略式(1)是蚁群算法的状态转移公式, 其最重要部分是给每只蚂蚁添加启发式信息, 这也是蚁群算法中最重要的参数之一. 启发式信息的好坏影响着整个算法的优劣程度, 好的启发式信息可以使蚁群算法很快的收敛于最优解, 反之亦然.在蚁群算法模型中, 能见度启发因子η ij(t ), 表示目标点的能见度, 其值为当前节点到下一个节点距离的倒数, 即1 dij. 从η ij(t )的取值可以看出对蚂蚁k而言, d ij越小, 则η ij(t)越大, (t)越大, 其在算法运行过程中会趋于选择单步距离较小的节点. 然而, 针对两点间最优路径问题, 全局的最优并不是简单的单步最小可以确定的, 片面的选择单步最小只会增加算法的停滞现象. 因此为了提高算法的效率, 本文引入传统最优路径问题中 A *算法的启发式策略改进蚁群算法的启发式因子, 使蚁群在搜索过程中选择最优路径概率较大的关键节点, 增强蚁群算法的目标性和方向性. 具体规则如下:: 起始节点到目标节点的最优路径代价的估计值;: 深度因子, 启发式搜索算法发现的从起始节点到当前节点i的最优路径代价;: 启发式因子, 当前节点i到目标节点的最优路径代价.具体描述如下: S为源节点, D为目标节点, i为当前节点, j为下一个待选节点, 源节点到当前节点的路径花费为E, 当前节点i到待选节点 j的欧式距离为 ijd, 与之对应的单位距离时间花费为 1k, 待选节点 j到目标点D的欧氏距离为 jDd , 与之对应的单位距离时间花费为 2k, 则经过待选节点 j到达目标点的估计值为2.2 信息素更新策略基本蚁群算法模型加入方向启发式信息, 在提高算法收敛速度的同时, 也加剧了蚁群算法趋向于局部最优产生停滞现象的概率, 因此本文在信息素更新策略上加以一定的平衡. 其策略是算法在进行全局信息素更新时, 采用优化排序蚁群系统和蚁群系统相结合的策略, 仅对前k则最优路径集进行相应的信息素更新. 同时在局部信息素更新上, 为了扩大搜索范围,本文引入蚁群系统的局部更新策略, 即当每一只蚂蚁走完边 ),( ji 时, 都要在边 ),( ji 进行信息素的更新,而这种更新不是对信息素的增加而是相应的减少. 通过减弱已选择道路的信息素浓度来减弱该道路对后来的蚂蚁选择的影响, 从而使蚂蚁对没有选中的路径具有更强的探索能力, 其具体方案如下: 全局信息素的更新: 算法中信息素的更新动作只是发生在当前的K则最优路径中, 那么信息素更新规则如下面的式子给出:其中, 对于全局信息素的更新动作或者挥发动作只是发生在最优路径上.局部信息素的更新: 在蚂蚁巡游过程中, 每经过一条边 ),( ji , 都将立即调用局部信息素更新规则更新该边上的信息素:其中, 0τ为常数是信息素的初始值, )1,0(∈ξ为可调参数.2.3 双种群策略为了更好地兼顾收敛速度和全局搜索能力, 许多研究人员通过使用自适应策略改进蚁群算法. 通过在算法运行中动态的改变α，β，ρ，Q的值, 以实现在运行的不同阶段对算法的控制. 在实践中自适应的方法的确提高了算法的寻优能力, 但解的总体质量不稳定, 主要表现为算法找到最优解所需的迭代次数难以确定, 多次试验的结果偏差较大. 为了能既利用自适应方法的优点, 又避免自适应可能产生的不良影响,本文引入了双种群策略, 利用两个种群设置的不同参数获得自适应算法的效果, 即其中一个种群的参数设置趋向于快速收敛能力, 另一个种群的参数设置趋向于全局搜索能力, 使得在算法运行的不同阶段都有一个种群起主要作用, 两个种群交替协作从而获得良好的性能.蚁群算法的搜索是以信息素的正反馈为基础, 本文在算法的实际运行过程中通过交换两个种群间的信息素分布表来实现双种群策略的, 具体规则如下:其中其中( t)为种群 A在t时刻路径 ( i , j)上的信息素浓度, ( t)为种群B在t时刻路径(i , j)上的信息素浓度,best_A为种群A的最优路径时间, best_B为种群B的最优路径时间, k为种群间的权重因子, 其取值范围为:k⊂(0,1).2.4 算法描述改进算法的具体步骤如下:Step 1: 参数初始化. 令时间 t = 0和循环次数N c =0, 设置最大循环次数 N c . 令每条道路 ( i,j)的初始化信息量为=const且初始时刻Δτij ( t )=0,初始化启发因子表为Step 2: 循环次数Step 3: 每只蚂蚁根据状态转移概率公式选择下一顶点j,同时按照局部信息素更新规则(2-6)对边(j,i)进行信息素更新.Step 4: 若所有蚂蚁的当前解集包含了终点或死亡, 转到步骤5, 否则跳转步骤3. Step 5: 计算两个种群中每只蚂蚁所走的时间,分别记录耗时最短的路径route_A和route_B.Step 6: 根据式(2-4)分别对种群 A、B的当前耗时最优的k则路径按照进行全局信息素更新.Step 7: 若 Nc %1 0=0, 则根据式(2-7)和(2-8)进行种群间通信, 否则转到8. Step 8: 蚁群收敛于同一条路径则算法结束.Step 9: 若循环次数Nc≥Ncmax, 则算法结束,否则转到步骤2.3 仿真实验3.1 实验1为了验证改进算法中 A *算法启发式因子和双种群策略的收敛性和寻优速度, 本文以凯立德科技有限公司的广州市 1:50000交通道路网络有向图为例, 其中包含15944节点、30502边, 分别将本文改进算法与蚁群优化算法(ACO)、文献[8]的改进算法进行对比.其中本文改进蚁群算法的参数设置依照参照文献[1]的分析和自身的选择, 设置为: 启发式因子α=1, 期望启发式因子β=3, 信息素残留因子ρ=0.7. 实验通过随机在广州市道路网络中选取多组不同规模的源、目的节点对进行测试分析. 其中4组结果如下表1所示:表1 本文改进算法与其他算法对比算例算法最优路径节点数平均迭代次数ACO 102 264（1）文献[8] 102 198本文算法 102 216（2）ACO 236 547文献[8] 236 425本文算法 236 338（3）ACO 531 894文献[8] 531 677本文算法 531 523（4）ACO 1037 2676文献[8] 1037 1885本文算法 1037 10233.2 实验2为了验证本文算法在实时交通环境中的优势, 利用现有的广州市交通道路网络数据加入一定的权值变化频率和权值变化系数, 用程序随机修改道路网中部分路径的权值模拟实时交通情况的变化, 并在此基础上对比路径权值后本文改进算法和改进的Dijkstra算法的求解最优路径平均求解时间. 实验通过随机选取4组包含不同规模节点数的最优路径, 其结果如下表所示:表2 本文改进算法与改进Dijkstra算法对比算例算法最优路径节点数平均求解时间（1）本文算法 50 94ms改进Dijkstra 50 118ms（2）本文算法 128 178ms改进Dijkstra 128 267ms（3）本文算法 277 423ms改进Dijkstra 277 648ms （4）本文算法 583 933ms改进Dijkstra 583 1479ms由表 3可见当交通网络路径权值发生变化时, 本文的改进算法较 Dijkstra算法的搜索速度更快, 其原因蚁群算法利用算法在前一阶段的搜索信息, 路网信息变化后, 算法根据路径权值变化的程度做相应的信息素对比更新操作, 致使蚁群可以利用原有的搜索信息, 避免再次重新搜索, 从而使搜索性能优于Dijkstra算法.仿真实验表明: 改进的蚁群算法在全局搜索能力和收敛速度两方面都显示出了良好的性能, 特别是当问题的规模较大时, 由于本文改进算法在运行开始时就加入了方向启发式信息, 加速了目标解空间的构造,收敛速度明显提升. 同时双种群策略和信息素更新策略的改进增加了算法全局搜索能力, 使算法在最优路径问题的求解上优于本文的其他算法.4 结语本文给出的算法信息素启发式因子, 使蚂蚁在搜索过程中具有了较好的目标性, 在加快了算法的收敛速度. 同时通过构建两个种群利用种群间信息素分布的相互影响和蚁群系统的信息素更新策略较好的平衡了加快收敛速度带来的停滞现象的矛盾. 仿真实验结果表明, 在最优路径涉及节点较多, 规模较大的情况下本文的改进算法较 ACO算法和文献[8]的算法效率更优.参考文献【相关文献】1 杨剑峰.蚁群算法及其应用研究.杭州:浙江大学,2007.2 Dorigo M, ManiezzoV, Colomi A. The Ant System: Optimization by a Colony of Cooperating Agents. IEEE Trans. on Systems, Man, and Cybernetics: Part B, 1996,26(1):29-41.3 Gambardella LM, Dorigo M. Ant-Q:A reinforcement learning approach to the traveling salesman problem. In: Prieditis A,Russell S. ed. Proc. of the Twelfth International Conference on Machine Learning. Morgan Kaufmann Publishers, Palo Alto, CA, 1995. 252-260.4 Dorigo M, Gambardella LM. Ant colony system: A cooperative learning approach to the traveling saleman problem. IEEE Trans. on Evolutionary Computation, 1997,1(1):53-66.5 Stutzle T. MAX-MIN Ant System for Quadratic Assignment Problems. Technical Report AIDA-97, Intellectics Group,Department of Computer Science. Darmstadt University of Technology, Germany, 1997.6 刘伟.基于蚁群算法的动态路径研究.成都:西南交通大学,2005.7 刘好斌,胡小兵,赵吉东.动态调整路径选择的蚁群优化算法.计算机工程,2010,36(17):201-203.8 胡耀民,刘伟铭.基于改进型蚁群算法的最优路径问题求解.华南理工大学学报,2010,38(10):105-109.9 段海滨.蚁群算法原理及其应用.北京:科学出版社,2005.。