c++求tsp问题_蚁群算法-求解TSP问题

蚁群算法(ant colony optimization, ACO)

1 原理介绍

​ 蚁群算法（Ant Colony Algorithm）最初于1992年由意大利学者M.Dorigo等人提出，它是一种模拟自然界中真实蚁群觅食行为的仿生优化算法。研究发现：每只蚂蚁觅食时在走过的路线上会留下一种称为信息素的物质，蚂蚁之间靠感知这种物质的浓度进行信息传递。蚂蚁在选择路径时总是倾向于朝信息索浓度高的方向移动，而距离短的路径上走过的蚂蚁多，留下的信息素也多，后续蚂蚁选择它的概率也会越大；其他路径上的信息素会随着时间的推移不断挥发，这样就形成了一种正反馈机制，最后整个蚁群聚集到最短路径上。

​ 人工蚁群算法模拟了这一过程。每只蚂蚁在解空间独立地搜索可行解，解越好留下的信息素越多，随着算法推进，较优解路径上的信息素增多，选择它的蚂蚁也随之增多，最终收敛到最优或近似最优的解上。

​ 蚁群优化算法最初用于解决旅行商问题（Travelling Salesman Problem，TSP），称为蚂蚁系统（Ant System，AS）。该蚂蚁系统包含了蚁周算法、蚁密算法和蚁量算法。首先来介绍蚁周算法。对于TSP问题，假设n为城市规模，i和j为任意两个城市，

表示城市之间的距离，

表示t时刻在城市i蚂蚁的数量，则

表示蚂蚁的总数量。在遍历的过程中，把蚂蚁经过一个城市称为一次迭代，那么遍历n个城市需要n次迭代。

​ 蚂蚁系统采用

来模仿t时刻路径i到j上面的信息残留量，即信息素浓度。类似于蚂蚁觅食过程，每条路径上面的信息素会挥发，如果有蚂蚁经过的时候，信息素的浓度会相应增加。因此，蚂蚁系统中的信息素浓度的更新公式为：

式中，

是一个0到1的数字，

为挥发因子。另外，

表示一次旅行（遍历完所有城市）后，所有路径i到j的蚂蚁留下的信息素总量，即：

式中，

表示第k只蚂蚁在路径i到j上面留下的信息素量。如果第k只蚂蚁经过路径i到j，则：

式中，Q为一个常数，

为蚂蚁已经走过路径的总长度。否则，第k只蚂蚁在i到j上面留下的信息素量为0。

​ 一般来说有了信息素浓度的更新公式，就可以直接给出蚂蚁对每条路径的选择概率了。然而，为了更好的利用TSP问题自身的性质，M.Dorigo等引入了一个启发项：

。通过结合信息素浓度和启发因子，可以得到蚂蚁选择路径i到j的概率为：

式中，

和

是调节因子，用于调节