基于旅行商问题的社交网络路由优化改进算法
摘要
1.简介
2.相关工程
3.蚁群算法简介
3.1. 蚁群算法的工作原理
3.2. 路径概率选择
3.3. 信息素更新
3.4. 算法流程
(1) 首先,所需参数由算法初始化。 设置循环时间Nc=0、最大迭代次数Nc-Max和路径初始化信息 (其中 ,C是常数, = 0). (2) m个蚂蚁将被放置在n个城市中,每个蚂蚁通过路径选择概率访问下一个节点j ,其中j属于 . (3) 计算每个蚂蚁的路径长度,并记录当前搜索的最优解。 (4) 根据更新公式修改信息素。 (5) 关于信息素增量的路径 为 , . (6) 如果Nc最大值> ,然后跳到步骤(2)。 (7) 如果条件满足,则输出当前最优解。
4.蚁群算法的改进
4.1. 蚁群算法的不足
4.2. 改进的蚁群算法
4.2.1. 路径选择概率的改进
当q大于 ,公式为: 当q小于或等于 ,公式为
4.2.2. 改进的信息素更新
5.绩效评估
5.1. 仿真环境
5.2. 模拟结果比较
5.3。 应用改进蚁群算法的应用分析
6.结论和未来工作
蚁群算法是一种概率算法,可以借鉴其他成熟的智能优化算法。 这有利于从数学角度对新型蚁群算法的诞生进行进一步的分析。 它们大多是为了提高蚁群算法的收敛性。 算法本身的创新存在一些局限性。 蚁群算法的应用深度不够,因为大多数仿真实验是在特定的实验条件下进行的,而实际情况是动态的。 因此,相关问题尚未进一步扩大。 与其他算法相比,蚁群算法具有良好的分布式计算机制和较强的鲁棒性等特点,因此可以与其他算法相结合,提出一种更强大的算法。
致谢
作者贡献
利益冲突
参考文献
Dorigo,M.优化、学习和自然算法。 1992年,意大利米兰理工大学博士论文。 [ 谷歌学者 ] 陈,H。; Li,J.异常值检测综述。 大中科技 2005 , 9 , 96–97. [ 谷歌学者 ] 朱,X。; Li,F.解决旅行商问题的几种智能算法。 计算。 数字。 工程师。 2010 , 38 , 32–35. [ 谷歌学者 ] Lin,D。; 王,D。; Li,Y.多旅行商问题的两级退化混合算法。 申请。 Res.计算。 2011 , 28 , 2876–2879. [ 谷歌学者 ] 王,Z。; Bai,Y。; Yue,L.求解TSP问题的改进蚁群算法。 数学。 实际。 理论 2012 , 42 , 133–140. [ 谷歌学者 ] 多里戈,M。; 马尼佐,V。; Colorni,A.Ant系统:通过协作代理群体进行优化。 IEEE传输。 系统。 人类网络B部分 1996 , 26 , 29–41. [ 谷歌学者 ] [ 交叉参考 ] [ 公共医学 ] Wang,H。; Tong,Y。; Tan,S.离群点挖掘研究进展。 CAAI事务。 智力。 系统。 2006 , 1 ,67–73。 [ 谷歌学者 ] 李毅。; 李,H。; 钱,X.孤立点检测算法的回顾与分析。 计算。 工程师。 2002 , 28 ,5-6。 [ 谷歌学者 ] 卡尼纳,L.C。; 苏珊娜,C.E。; Carlos,A.C.C.用混合粒子群优化算法求解约束优化问题。 工程优化。 2011 , 43 , 843–866. [ 谷歌学者 ] [ 交叉参考 ] H·段。 蚁群算法的原理及应用 ; 科学出版社:北京,中国,2005。 [ 谷歌学者 ] 徐,J。; 曹,X。; Wang,X.多态蚁群算法。 J.大学科学。 Technol公司。 中国 2005 , 35 , 59–65. [ 谷歌学者 ] Zao,B。; Wang,L.蚁群优化算法的收敛性分析。 前面。 选举人。 电子。 工程师。 2007 , 2 , 268–272. [ 谷歌学者 ] 王,Q。; Li,W.基于改进量子蚁群算法的TSP问题求解研究。 微处理器 2015 , 三 , 31–33. [ 谷歌学者 ] 孙,J。 求解旅行商问题的蚁群算法研究 ; 武汉理工大学:中国武汉,2005年。 [ 谷歌学者 ] 张凯。; Zhang,Y。; Wan,S.改进竞争蚁群算法在TSP中的应用。 计算。 数字。 工程师。 2016 , 44 , 396–399. [ 谷歌学者 ] 江,Y。 改进蚁群算法在TSP问题中的应用 ; 中南民族大学:中国武汉,2009年。 [ 谷歌学者 ] Sun,K。; Wu,H。; Wang,H.求解TSP的混合蚁群和粒子群算法。 计算。 工程应用。 2012 , 48 , 60–63. [ 谷歌学者 ] 胡,X。; 黄,X.用蚁群算法求解具有聚类特性的TSP。 J.系统。 模拟。 2004 , 16 , 2683–2686. [ 谷歌学者 ] 陈,W。; Jiang,Y.改进蚁群算法和粒子群算法来解决TSP问题。 技术信息。 2016 , 2016 , 162–165. [ 谷歌学者 ] Kai,P。; 黄,Q。; 基于粒子群优化和人工鱼群算法的Shao,C.求解模型。 J.四川科技大学。 工程师。 2017 , 30 , 27–32. [ 谷歌学者 ] 张,X。; 李,X。; Sun,Y.一种基于PR的自适应ACO算法,用于解决旅行推销员问题。 J.大学科学。 Technol公司。 辽宁 2016 , 39 ,第468页至第475页。 [ 谷歌学者 ] 罗森克兰茨(D.J.Rosenkrantz)。; 斯特恩斯,R.E。; Ii,P.M.L.旅行推销员问题的几种启发式分析。 暹罗J.计算。 1977 , 6 , 563–581. [ 谷歌学者 ] [ 交叉参考 ] 甘巴德拉,L.M。; Dorigo,M.Ant-Q:旅行推销员问题的强化学习方法。 1995年7月9日至12日在美国加利福尼亚州塔霍市举行的第十二届国际机器学习会议记录; 第170卷,第252-260页。 [ 谷歌学者 ] 刘,H。; 胡,X。; 赵,J.动态过渡路径选择的蚁群优化算法。 计算。 工程师。 2010 , 36 , 201–203. [ 谷歌学者 ] 科尔尼,A。; 多里戈,M。; Maniezzo,V.蚁群分布式优化。 1991年12月11日至13日,法国巴黎,第一届欧洲人工生命会议记录; 第134-142页。 [ 谷歌学者 ] Feng,Y.TSP问题的改进蚁群算法。 电子。 测试 2014 , 2014 , 38–40. [ 谷歌学者 ] 王,L。; Zhu,Q.求解TSP的一种有效方法:快速收敛的蚁群算法。 第四届国际自然计算会议论文集,2008年10月18日至20日,中国济南; 第448–452页。 [ 谷歌学者 ] 吉川,M。; Terai,H.高速蚁群优化体系结构。 2007年8月13日至15日,美国伊利诺伊州拉斯维加斯,IEEE信息重用和集成国际会议论文集; 第1-5页。 [ 谷歌学者 ] 方,F。; 沈,Z。; Yao,J.一种新的基于LEACH的无线传感器网络路由算法。 机械。 选举人。 工程师J。 2008 , 25 , 100–103. [ 谷歌学者 ] Akyildiz,I.F。; 苏·W。; Sankarasubramaniam,Y。; Cayirci,E.传感器网络调查。 IEEE通信。 美格。 2002 , 40 , 102–114. [ 谷歌学者 ] [ 交叉参考 ]