蚁群优化算法（AS）的基本原理与算法流程总结

AS用来解决TSP问题的基本计算公式

n个城市的TSP，城市间的距离为$$d_{ij}$$
选择概率公式：若$$j\in A$$则$$P_{ij}^k(t)=\frac{{\tau }_{ij}(t{)}^{\alpha }{\eta }_{ij}^{\beta }}{{\sum }_{l\in A_k}{\left[{\tau }_{ij}\right]}^{\alpha }{\eta }_{il}^{\beta }}$$
否则，$$P_{ij}^k(t)=0$$
距离的影响：$${\eta }_{ij}=1/d_{ij}$$
$$A_k=N-tab{u}_k(t),A_k表示蚂蚁k没走过的城市，tab{u}_k(t)表示蚂蚁k走过的城市$$
$$\alpha \beta$$是指数权重，用来调节信息素和距离的重要程度
$$\alpha =0,\beta =1贪婪启发式$$
$$\alpha =1,\beta =0只考虑信息素$$
$${\tau }_{ij}(t+n)=(1-\rho ){\tau }_{ij}(t)+\Delta {\tau }_{ij},\rho 为遗忘因子，\Delta 为信息素增量$$
$$\Delta {\tau }_{ij}=\sum _{k=1}^M\Delta {\tau }_{ij}^k累计所有蚂蚁留下的信息$$
如果边ij在蚂蚁k的巡回上，则$$\Delta {\tau }_{ij}^k=Q/L_k$$否则$$\Delta {\tau }_{ij}^k=0$$

ACO的基本算法步骤

• 1、初始化
  令t=0，NC=0(巡回次数)，对所有的边(i,j)令$${\tau }_{ij}(t)=c,\Delta \tau =0$$将m个蚂蚁分散到n个城市中

• 2、令S=1,(S是tabu表的指标，即走过的城市数)将所有的初始城市计入$$tab{u}_k(t)$$

• 3、重复以下步骤，直到tabu表填满（所有城市走过）。令S=S+1，对k=1到m个城市，以$$P_{ij}^k(t)$$选择城市j的移动，将j加入$$tab{u}_k(s)$$

• 4、对k=1到M，计算L_k，更新最短巡回（即历史最优解）对边（i,j）计算$$\Delta {\tau }_{ij}^k\to \Delta {\tau }_{ij}$$

• 5、对所有边计算$${\tau }_{ij}(t+n)$$令t=t+1,NC=NC+1

• 6、若NC大于NC_max停止，否则转第二步，并清空tabu表

算法流程