第２章基本蚊群优化算法及已有的改进算法

蚁都集中到同～条路径上，从而使算法不再扩散：（３）初始时刻，各条路径上信息素的起始浓度设为ｆ一，在算法的初始时刻，ｐ（Ｐ∈（Ｏ，１））取较小的值时，算法有更好的发现较好解的能力。所有蚂蚁完成一次迭代后，按（２－１２）式对路径上的信息作全局更新：

％（ｆ＋１）＝（１一ｐ） 白Ｏ）＋△－－～ｂｅ’。（２—１２）

△ｆ芦＝｛￥∞蛐’薯蠢局最优解包含路径％时。

渐增加全局最优解的使用频率，会使该算法获得较好的性能。（２一１３）允许更新的路径可以是全局最优解，或本次迭代的最优解。仿真实验证明逐

２．４具有变异特征的蚁群算法

受遗传算法种变异算子的启发，吴庆洪等提出了具有变异特征的蚁群算法，

为了克服蚁群算法收敛较慢的问题，该算法采用逆转变异方式，随机地进行变异，以增大进化时所需的信息量。这种变异机制充分利用了２－ｏｐｔ方法的简单高效，具有较快的收敛速度。

该算法的核心思想是：设某个个体所走路径为

中（ｆ０，ｆｌ，…，‘一ｌ∈｛０，１，２，…，刀一１））。如果满足乇，‘，如，…，矗川），其＜ｄ【ｆ。ｌ】【ｔ２】＋ｄ［‘，ｌ＋Ｉ）％。】［‘，２＋ｌ惕。】

ｄ［ｉｓｌ】【ｆ（小１胁】＋讲‘２】【ｆ（小ｌｍ－】…ｊ其中ｓｌ和ｓ２ｅ｛０，１，…，ｎ一１｝，符号％表示整除符号。进行操作：ｉｎｖｅｒｓｉｏｎ（ｓｌ，ｓ２，ｓｏｌｕｔｉｏｎｉ），函数ｉｎｖｅｒｓｉｏｎ０的功能是把个体ｓｏｌｕｔｉｏｎｉ的ｓｌ＋ｌ和ｓ２这一段颠倒过来。

如：ｉｎｖｅｒｓｉｏｎ（２，５，０１２３４５６）＝０ｌ２５４３６

其中，变异的次数是随机的。这一过程涉及到的运算比蚁群算法中的循环过程要简单得多，因此只需要较短的时间便可完成相同次数的运算。另一方面，经过这种变异算子作用后，这一代的解的性能会有明显改善，从而也会改善整个群体的性能，减少计算时间。

２．５基于信息素扩散的蚁群算法

基于信息素扩散的蚁群算法（Ａｎｔ

ＰｈｅｒｏｍｏｎｅＣｏｌｏｎｙＯｐｔｉｍｉｚａｔｉｏｎＡｌｇｏｒｉｔｈｍＢａｓｅｄ０ｎＤｉｆｆｕｓｉｏｎ，简称ＰＤＡＣＯ）在求解ＴＳＰ问题时通过建立信息素扩散模型，使相距较近的蚂蚁之间能更多地进行交流，强化了群体的协作效果。其基本思想是：在蚂蚁进行路径选择时，适当考虑相近路径上信息素的相互作用。即一只蚂蚁在某条路径上留下的信息素，一方面会直接影响在该路径的两个城市上的蚂蚁