旅行售货商问题(Traveling Salesman Problem, TSP)是经典的组合优化问题[1],现实生活中的许多问题都可以归结为TSP,如邮路问题、装配线上的螺母问题和产品的生产安排问题等。因此,TSP的有效求解在降低运输成本、提高生产效率等方面具有重要意义。由于TSP是NP难(Non-deterministic Polynomial hard, NP-hard)问题[2],随着问题规模的扩大,问题解的数量呈指数式增长,目前尚无求解该问题的有效算法。一般地,求解TSP的算法大体可以分为两类:精确算法和启发式算法。对于小规模的TSP,用精确算法即可获得最优解;对于中大规模的TSP,精确算法由于求解时间和空间消耗过大而完全不可行,一般用启发式算法来求解。精确算法主要有分枝定界法[3]、线性规划法[4]和动态规划法[5]等。启发式算法包括:最邻近算法[6]、贪婪算法[7]、遗传算法(Genetic Algorithm, GA)[8]、模拟退火(Simulated Annealing, SA) [9]算法、禁忌搜索(Tabu Search, TS)[10]算法、粒子群(Particle Swarm Optimization, PSO)[11]算法、蚁群(Ant Colony Optimization, ACO)[12]算法等。
蚁群算法[13-14]是根据蚂蚁群体在觅食过程中所体现出的智能行为提出的。该算法具有正反馈、分布式、并行式、自组织等优点,经过众多学者的不断探索研究,蚁群算法已经被成功地用于解决许多实际问题,譬如数据挖掘、参数辨识、图像处理、图形着色、分析化学、TSP等。但是,蚁群算法也存在迭代次数多、收敛速度慢以及容易陷入局部最优等缺陷。针对以上缺陷,国内外学者也提出了很多的改进策略。比如:Dorigo等[12]提出了蚂蚁系统,该算法使用最优选择与随机选择结合的路径选择方式,以及局部更新和全局更新的信息素更新策略,来提高算法的全局搜索能力,但最优解的精度有待提高;Stutzle等[15]提出了最大最小蚁群系统(Max-Min Ant System, MMAS),通过对路径上的信息素进行上下界的限制避免算法陷入局部最优;郑松等[16]提出了动态调整选择策略的改进蚁群算法,通过适当刺激蚂蚁尝试具有较弱信息素的解,以提高所得解的全局性,但迭代次数较多,收敛速度较慢;吴华锋等[17]提出了基于自然选择策略的蚁群算法求解TSP,通过随机进化因子的随机性增强算法跳出局部最优解的概率,以及信息素二次更新规则加快算法的收敛。本文将对文献[17]提出的信息素二次更新规则作进一步研究,分析其存在的不足,提出一种改进的信息素二次更新策略,进一步提高算法的收敛速度;此外,在算法中引入一种局部优化策略,当最优解连续若干次迭代后没有改善时,使用随机插入法对局部最优解中城市的排序进行调整,以增强算法跳出局部最优解的能力。结合以上两种改进策略提出一种求解TSP的改进信息素二次更新局部优化蚁群算法(Ant Colony Optimization algorithm based on Improved Pheromones Double Updating and Local optimization, IPDULACO)。通过对TSP的仿真实验,验证了改进算法的有效性。
1 研究基础首先给定一个赋权图G(V, E),其中V={1, 2, …, n}为顶点(城市)的集合,E={(i, j, dij)|i, j∈n, dij∈R+}为赋权边(两个城市之间的距离)的集合,假设:
$ {x_{ij}} = \left\{ \begin{gathered} 1, \;\;\;\;\;\;i, j相连 \hfill \\ 0, \;\;\;\;\;\;其他 \hfill \\ \end{gathered} \right. $ | (1) |
则经典TSP的数学模型[18]为:
$ \min F = \sum\limits_{i, j = 1}^n {{d_{ij}}{x_{ij}}\left( {i \ne j} \right)} $ | (2) |
$ {\text{s}}{\text{.t}}{\text{.}}\;\;\left\{ \begin{gathered} \sum\limits_{j = 1}^n {{x_{ij}} = 1, \;\;\;\;\;\;\;\;i \in V} \hfill \\ \sum\limits_{i = 1}^n {{x_{ij}} = 1, \;\;\;\;\;\;\;\;j \in V} \hfill \\ \sum\limits_{i, j \in S} {{x_{ij}} = \left| S \right|, \;\;\;\;\;S为G的子图} \hfill \\ {x_{ij}} \in \left( {0, 1} \right) \hfill \\ \end{gathered} \right. $ | (3) |
其中:|S|为图S的顶点数。式(1) 和式(3) 限定经过所有顶点一次且仅一次,式(2) 为TSP的目标函数,即求一条距离最短的哈密顿回路。
2 改进的蚁群算法 2.1 基本ACO算法 2.1.1 蚁群算法基本思想蚂蚁在寻找食物时,综合考虑路径长度和路径上信息素两个方面进行路径选择(蚂蚁会在其走过的路径释放信息素,其他蚂蚁能够感知这种信息素并优先选择信息素浓度较高的路径)。开始时,路径上的信息素浓度较低,蚂蚁主要根据路径长度进行选择,而且会以较大的概率选择较短的路径。随着时间的推移,各路径上的信息素逐渐积累增多;且越短的路径,走过的蚂蚁越多,路径上残留的信息素越多,选择走该路径的蚂蚁也越多,如此形成一个正反馈。最终,蚂蚁找到一条从巢穴到食物源的最优路径。
2.1.2 求解TSP的蚁群算法为了便于描述,首先定义如下变量:蚂蚁数量m,城市数量n,城市i与城市j之间的距离dij(i, j=1, 2, …, n),t时刻城市i与城市j连接路径上的信息素浓度τij(t)和启发函数ηij(t),t时刻蚂蚁k从城市i转移到城市j的概率Pijk(t),其计算公式为
$ \boldsymbol{P}_{ij}^k\left( t \right) = \left\{ \begin{gathered} \frac{{{{\left[{{\boldsymbol{\tau} _{ij}}\left( t \right)} \right]}^\alpha } \cdot {{\left[{{\boldsymbol{\eta} _{ij}}\left( t \right)} \right]}^\beta }}}{{\sum\limits_{j \notin cit{y_k}} {{{\left[{{\boldsymbol{\tau} _{ij}}\left( t \right)} \right]}^\alpha } \cdot {{\left[{{\boldsymbol{\eta} _{ij}}\left( t \right)} \right]}^\beta }} }}, \;\;\;\;j \notin cit{y_k} \hfill \\ 0, \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;j \in cit{y_k} \hfill \\ \end{gathered} \right. $ | (4) |
其中:α为信息素重要程度因子;β为启发函数重要程度因子;cityk(k=1, 2, …, m)为蚂蚁k已经访问过的城市集合,其随时间动态更新。经过n个时刻,所有蚂蚁都寻找到一条回路,一次循环结束。同时,蚂蚁释放在各个城市间连接路径上的信息素也在逐渐消失,因此,当所有蚂蚁完成一次循环后,按式(5) 和式(6) 调整各个城市间连接路径上的信息素浓度:
$ \left\{ \begin{gathered} {\tau _{ij}}\left( {t + 1} \right) = \left( {1-\rho } \right){\tau _{ij}}\left( t \right) + \Delta {\tau _{ij}} \hfill \\ \Delta {\tau _{ij}} = \sum\limits_{k = 1}^n {\Delta \tau _{ij}^k} \hfill \\ \end{gathered} \right.;\;\;\;\;0 < \rho < 1 $ | (5) |
$ \Delta \tau _{ij}^k = \left\{ \begin{gathered} Q/{L_k}, \;\;\;\;第k只蚂蚁从城市i访问城市j \hfill \\ 0, \;\;\;\;\;\;\;\;\;\;\;其他 \hfill \\ \end{gathered} \right. $ | (6) |
其中:ρ(0 < ρ < 1) 表示信息素的挥发程度;Δτijk表示本次循环第k只蚂蚁在城市i和城市j连接路径上释放的信息素;Δτij表示本次循环所有蚂蚁在城市i与城市j连接路径上释放的信息素之和。
2.2 改进的蚁群算法求解TSP 2.2.1 信息素更新策略在基本蚁群算法中,蚂蚁在选择路径时主要取决于节点间的距离,即距离越短,该路径被选择的概率越大,距离越长,该路径被选择的概率越小。因为全局最优路径中的某些子路径(子路径为任意两城市连接构成的路径)可能较长,所以该子路径被选择的概率较小,导致蚂蚁错过构成潜在全局最优解的子路径。为了弥补这个缺陷,文献[17]提出路径贡献度(Contribution Degree of Sub-Path, CDSP)的概念,定义为每次迭代蚁群找到的最优解中,子路径与本次迭代最优路径的比值,如式(7) 所示。并提出一种信息素更新策略:当按式(5) 和式(6) 完成路径信息素的首次更新后,对每次迭代最优路径上的各子路径按式(7) 所示进行路径贡献度判断,按式(8) 和式(9) 所示再次更新信息素,即增加路径贡献度大于给定的路径贡献阈值的子路径上的信息素,从而提高该子路径被选择的概率。
$ CSC{D_{ij}} = D\left( {i, j} \right)/{L^b}\left( t \right) $ | (7) |
$ \Delta {\tau '_{ij}} = \left\{ \begin{gathered} Q/D\left( {i, j} \right), \;\;\;CSC{D_{ij}} > {q_0} \hfill \\ 0, \;\;\;\;\;\;\;\;\;\;\;\;\;\;\;\;其他 \hfill \\ \end{gathered} \right. $ | (8) |
$ {\tau _{ij}}\left( {t + 1} \right) = {\tau _{ij}}\left( {t + 1} \right) + \Delta {\tau '_{ij}} $ | (9) |
$ CSC{D_{ij}} = D\left( {i, j} \right)/{L^{{\text{gb}}}}\left( t \right) $ | (10) |
其中:Lb(t)是第t次迭代后蚁群找到的此次迭代的最优解;τij(t+1) 是第t次迭代后路径(i, j)上的信息素总量。
文献[17]提出的信息素更新策略确实可以提高构成潜在全局最优解的子路径被选择的概率。但是考虑到每次迭代得到的最优解基本不相同,每次信息素二次更新的子路径也基本不同,导致构成潜在全局最优解的子路径信息素增量不明显,被选择的概率也没有有效提高。但是,相比每次迭代的最优解,每次迭代的当前全局最优解在每次迭代后不相同的概率较小,通常每经过一定次数的迭代后改变一次,这样在一定的迭代次数内,信息素二次更新的子路径一样,信息素增量明显,更有利于提高构成潜在全局最优解的子路径被选择的概率。而且,当前全局最优解所含子路径构成最优解的可能性更大,所以更应该对该条路径中满足条件的子路径进行信息素的二次更新,而不是每次迭代得到的最优路径。
基于以上分析,本文提出一种改进的信息素更新策略。首先,和基本蚁群算法一样,在每次迭代后,按式(5) 和式(6) 所示更新各个城市间连接路径上的信息素。然后,按式(10) 对每次迭代后的当前全局最优路径中的子路径进行路径贡献度判断,而不是对每次迭代的最优路径,并对路径贡献度大于给定的路径贡献阈值的子路径按式(8)~(9) 所示进行信息素的再次更新,其中Lgb(t)指t次迭代后蚁群搜索到的当前全局最优解,q0是路径贡献度阈值,通过实验验证,取q0=0.01时算法性能最优。
改进的信息素更新策略可以提高构成潜在最优解的子路径被选择的概率,加快算法的收敛;同时,为了提高算法跳出局部最优的能力,在算法中加入一种局部优化策略,以提高搜索的随机性和多样性。
2.2.2 局部优化策略基本蚁群算法的信息素更新方式具有正反馈性。正反馈有利于算法的快速收敛,但优化后期较优路径上的信息素积累会较多,影响种群的多样性,算法容易陷入局部最优而停滞,最终导致求解质量的下降。因此,本文在算法中引入一种局部优化策略:每当算法陷入局部最优时,使用随机插入法对该局部最优解中城市的排序进行调整,以提高种群的多样性,增强算法跳出局部最优的能力。局部优化策略的具体方法如下:
设局部最优解(即当前全局最优解)为a1, a2, a3, a4, …, ai, ai+1, …, an-1, an, a1,其中ai为城市编号。对其进行局部优化:随机产生子路径集合((a1, a3), (ai, an)),这里以两条子路径(a1, a3)和(ai, an)为例,本文在仿真实验中设置子路径数等于城市个数。接着按子路径在集合中的顺序,在局部最优解中依次连接。先找到城市a1和城市a3的位置,将城市a3插入到城市a1后面,此时城市排列变为a1, a3, a2, a4, …, ai, ai+1, …, an-1, an, a1;再找到城市ai和城市an的位置,将城市an插入到城市ai的后面,最终得到城市排列(a1, a3, a2, a4, …, ai, an, ai+1, …, an-1, a1)。计算此时的适应度,判断解的质量是否提高,若解的质量提高,则更新全局最优解;否则不更新。继续随机产生子路径集合,按子路径在集合中的顺序在当前全局最优解上依次连接,如此迭代多次,本文在仿真实验中设置迭代30次。
2.2.3 改进ACO算法流程本文改进ACO算法求解旅行商问题的简要流程如图 1所示,基本步骤如下:
步骤1 算法开始,设置算法所需的参数,如蚂蚁数量,算法迭代次数N,算法最大迭代次数Nmax等。
步骤2 将蚂蚁随机放在不同的城市上,作为起始点。
步骤3 每只蚂蚁构建解空间,计算适应度值。
步骤4 按照式(5) 和式(6) 对各个城市间连接路径上的信息素进行实时更新。
步骤5 按照式(10) 计算路径贡献度,按照式(8) 判断确定路径贡献度大于路径贡献阈值的子路径并计算信息素二次增量,按照式(9) 再次更新满足条件的子路径上的信息素。
步骤6 判断算法是否陷入局部最优,判断方法:比较本次迭代得到的全局最优解与上一次迭代得到的全局最优解,观察最优解是否得到改善,如果连续5次最优解都没有得到改善,则判定算法陷入局部最优,执行局部优化策略;否则进入步骤7。
步骤7判断是否达到迭代的最大次数。若达到,则程序停止,输出最优解;若未达到,返回步骤2。
3 仿真实验与结果分析为了验证改进算法的性能,本文选取了TSPLIB测试库中的部分案例(数据更新到2013年7月,网址为:http://comopt.ifi.uni-heidelberg.de/software/TSPLIB95),使用Matlab编程,在CPU为i5-430M、RAM为2 GB的计算机上进行测试实验,并对不同算法的求解结果进行分析和比较,实验结果验证了本文改进算法的有效性。实验中选取了蚁群算法常用的一种参数取值的组合:m=n,α=1,β=5,ρ=0.1,Q=20,Nmax=100。
表 1给出了五种算法分别在Oliver30、Eil51、Eil101和Ts225上进行20次独立实验的结果。其中,五种算法分别为:基本蚁群算法,基于文献[17]信息素二次更新策略的蚁群(ACO based on Pheromones Double Updating, PDUACO)算法,基于改进信息素二次更新策略的蚁群(ACO based on Improved Pheromones Double Updating, IPDUACO)算法、基于局部优化策略的蚁群(ACO based on Local Optimization, LACO)算法以及本文提出的算法(IPDULACO)。
从表 1可以看出,基于文献[17]信息素二次更新策略的蚁群算法(PDUACO)和基于改进信息素二次更新策略的蚁群算法(IPDUACO)都获得了Oliver30实例的已知最优解,但在其他3个实例上,基于改进信息素二次更新策略的蚁群算法(IPDUACO)求得的最优解更接近已知最优解,其中在Eil51实例上相比PDUACO提高了2.22%,且所有实例获得的平均值也更好,说明改进信息素二次更新策略使算法的性能得到了提高。此外,在4个TSP实例上,基于局部优化策略的蚁群算法(LACO)获得的最优解和平均值都优于基本蚁群算法,说明加入局部优化策略后算法的全局寻优能力得到了提高。同时加入两种改进策略的基本蚁群算法(即本文提出的改进算法IPDULACO)在4个TSP实例上求得的最优解的精度得到了进一步提高,其在Eil51实例上与已知最优解的偏差(偏差表示所得最优解与已知最优解之间的偏离程度)缩小到0.8%,可见本文所提的两种改进策略的有效性。
图 2给出了ACO、PDUACO、IPDUACO和IPDULACO四种算法优化Oliver30问题的收敛曲线。从图 2中可以看出:本文改进算法(IPDULACO)在18代收敛到最优解,基于改进信息素二次更新策略的蚁群算法(IPDUACO)也在50代收敛到最优解,而基于文献[17]信息素二次更新策略的蚁群算法(PDUACO)在65代才收敛,且收敛到的最优解为426.60(Oliver30已知最优解为423.74)。ACO算法虽然在10代收敛,但收敛到的最优解质量最差。由此可见,在收敛到已知最优解的前提下,本文改进算法的收敛速度更快。
图 3给出了ACO和IPDULACO优化Ts225问题的收敛曲线,ACO在95代收敛,而本文改进算法(IPDULACO)在82代即收敛,再次说明了本文改进算法具有更快的收敛速度,且收敛到的最优值为130 955.48,精度也更高(ACO收敛到的最优值为131 434.97)。
为了进一步验证本文改进算法(IPDULACO)的性能,首先将IPDULACO的实验结果与求解TSP的4种改进ACO算法的实验结果进行了纵向比较,然后又与求解TSP的2种粒子群算法和遗传算法进行了纵向比较。表 2给出了蚁群(ACO)算法[19]、蚁群算法驱动的遗传算法(Ant Colony Genetic Algorithm, ACGA)[19]、基于启发式遗传信息的蚁群遗传算法(Heuristic Genetic Information based Ant Colony Genetic Algorithm, HGIACGA)[19]、新型蚁群算法(New ACO, NACO)[20]和本文改进算法(IPDULACO)在三组TSP分别运行10次的平均求解性能,其中偏差表示所得最优解与已知最优解之间的偏离程度。表 2中ACO、ACGA、HGIACGA、NACO算法的结果来自文献[20]。从表 2可以看出,IPDULACO的求解性能优于其他4种算法,偏差最小,说明IPDULACO具有较强跳出局部最优的能力,而且平均值也最低,表明IPDULACO也具有较好的稳定性。
表 3给出了IPDULACO、离散粒子群(Discrete PSO, DPSO)算法[21]、自适应离散粒子群(Self-Adaptive DPSO, SADPSO)算法[21]、遗传算法(GA)在3组TSP上的实验结果。其中DPSO、SADPSO算法的结果来自文献[21],GA的参数设置为:最大迭代次数Maxgen=n,交叉概率Pc=0.9,变异概率Pm=0.05。除了在Burma14问题上,本文改进算法的平均值高于SADPSO外,其他两个问题本文改进算法获得的最优值和平均值都优于所对比的3种算法。图 4为本文改进算法求得Eil51问题的最优路径图。
在与现有的几种算法纵向比较后,又将本文改进算法与其他几种常见的TSP求解算法进行了横向比较,结果如表 4所示。其中包括:改进贪婪算法(IMproved GReedy Algorithm, IMGRA)[22]、自适应离散粒子群算法(Self-Adaptive Discrete Particle Swarm, SADPSO)[21]、文献[16]提出的动态调整选择策略的改进蚁群算法(Ant Colony Algorithm with Dynamic Transition, 简记为A16) 和文献[23]提出的基于粒子群参数优化的改进蚁群算法(Improved Ant Colony Optimization Algorithm based on Particle Swarm Optimization, 简记为A23)。
从表 4可以看出:5种算法求解Eil51问题,IPDULACO获得的最优解最接近已知最优解,平均值除了比SADPSO略高外,比其他2种算法都低(IMGRA求解的平均值除外),进一步说明了IPDULACO具有较强的全局搜索能力。
再用本文改进算法(IPDULACO)求解文献[24]中的TSP,并和文献[24]改进蚁群算法(Improved Ant Colony Optimization Algorithm, 简记为A24) 求得的最优解进行比较。14个城市的坐标分别为A(8,2)、B(0,4)、C(-1,6)、D(2,-1)、E(4,2)、F(6,0.5)、G(3,0)、H(10,3.7)、I(2.5,1.8)、J(-5,1)、K(7,0)、L(9,4)、M(11,3)、N(13,2)。实验中取蚁群算法常用的一种参数取值的组合:m=n,α=1,β=5,ρ=0.1,Q=20,Nmax=100。图 5为两种算法所得最优路径对比。
图 5(a)为文献[24]提出的改进蚁群算法求得的最优路径,最优路径为:A→I→B→C→J→D→G→E→F→K→N→M→H→L→A,最优路径长度为45.784 4;图 5(b)为IPDULACO求得的最优路径,最优路径为:A→F→G→I→B→C→J→D→E→K→N→M→H→L→A,最优路径长度为45.562 0,显然IPDULACO的求解性能更优,提高了0.222 4,进一步说明IPDULACO具有较强的跳出局部最优的能力。
4 结语本文针对蚁群算法收敛速度慢、容易陷入局部最优解的缺陷,提出一种改进信息素二次更新局部优化蚁群算法(IPDULACO)。对每次迭代后当前全局最优路径中路径贡献度大于给定的路径贡献阈值的子路径进行信息素的二次更新,增大构成潜在最优解的子路径被选择的概率,提高算法的收敛速度;同时,在算法中引入一种局部优化策略来提高算法跳出局部最优解的能力。在TSP上的仿真实验也表明,改进的蚁群算法可以在迭代次数较少的情况下获得小规模TSP的已知最优解;对于较大规模TSP, 改进算法可以在迭代次数较少的情况下获得更精确的解。如何选取路径贡献度阈值以提高算法的鲁棒性,以及如何提高求解大规模TSP实例最优解的精度还需在今后作进一步研究。
[1] | WILLIAM J C. 迷茫的旅行商: 一个无处不在的计算机算法问题[M]. 随春宁, 译. 北京: 人民邮电出版社, 2013: 178-183. ( WILLIAM J C. In Pursuit of the Traveling Salesman:Mathematics at the Limits of Computation[M]. SUI C N, translated. Beijing:Posts & Telecom Press, 2013:178-183. ) |
[2] | GAREY M R, JOHNSON D S. Computers and Intractability:A Guide to the Theory of NP-Completeness[M]. New York: W. H. Freeman and Company, 1979 : 56 -59. |
[3] | PADBERG M W, RINALDI G. Optimization of a 532-city symmetric genetic traveling salesman problems by branch and cut[J]. Operation Research Letters, 1987, 6(1): 1-7. doi: 10.1016/0167-6377(87)90002-2 |
[4] | HELD M, KARP R M. A dynamic programming approach to sequencing problems[J]. Journal of the Society for Industrial and Applied Mathematics, 1962, 10(1): 196-210. doi: 10.1137/0110015 |
[5] | APPLEGATE D, BIXBY R, CHVATAL V, et al. Finding cuts in the TSP (a preliminary report), TR 95-05[R]. Piscataway, NJ:Center for Discrete Mathematics & Theoretical Computer Science, 1995. |
[6] | JVNGER M, REINELT G, RINALDI G. The traveling salesman problems[J]. Handbooks in Operations Research & Management Science, 1995, 7(5): 225-230. |
[7] | BENTLEY J L. Fast algorithms for geometric traveling salesman problem[J]. ORSA Journal on Computing, 1992, 4(4): 387-411. doi: 10.1287/ijoc.4.4.387 |
[8] | AHMED Z H. Genetic algorithm for the traveling salesman problem using sequential constructive crossover operator[J]. International Journal of Biometrics and Bioinformatics, 2010, 3(6): 96-105. |
[9] | SONG C H, LEE K, LEE W D. Extended simulated annealing for augmented TSP and multi-salesman TSP[C]//Proceedings of the 2003 International Joint Conference on Neural Networks. Piscataway, NJ:IEEE, 2003:2340-2343. |
[10] | GENDREAU M, LAPORTE G, SEMET F. A tabu search heuristic for the undirected selective traveling salesman problem[J]. European Journal of Operational Research, 1998, 106(2/3): 539-545. |
[11] | CLEAR M. Discrete particle swarm optimization, illustrated by the traveling salesman problem[M]//New Optimization Techniques in Engineering. Berlin:Springer, 2004:219-239. |
[12] | DORIGO M, GAMBARDELLA L M. Ant colony system:a cooperative learning approach to the traveling salesman problem[J]. IEEE Transactions on Evolutionary Computation, 1997, 1(1): 53-66. doi: 10.1109/4235.585892 |
[13] | COLORNI A, DORIGO M, MANIEZZO V. Distributed optimization by ant colonies[C]//Proceedings of the 1991 European Conference On Artificial Life. Amsterdam:Elsevier, 1991:134-142. |
[14] | DORIGO M, MANIEZZO V, COLORNI A. The ant system:optimization by a colony of cooperating agents[J]. IEEE Transactions on Systems, Man, and Cybernetics, 1996, 26(1): 29-41. doi: 10.1109/3477.484436 |
[15] | STUTZLE T, HOOS H. Improvements on the ant system:introducing MAX-MIN ant system[C]//Proceedings of the 1998 International Conference on Artificial Neural Networks and Genetic Algorithms. Berlin:Springer, 1998:245-249. |
[16] | 郑松, 侯迪波, 周泽魁. 动态调整选择策略的改进蚁群算法[J]. 控制与决策, 2008, 23(2): 225-228. ( ZHENG S, HOU D B, ZHOU Z K. Ant colony algorithm with dynamic transition probability[J]. Control and Decision, 2008, 23(2): 225-228. ) |
[17] | 吴华锋, 陈信强, 毛奇凰, 等. 基于自然选择策略的蚁群算法求解TSP问题[J]. 通信学报, 2013, 34(4): 165-170. ( WU H F, CHEN X Q, MAO Q H, et al. Improved ant colony algorithm based on natural selection strategy for solving TSP problem[J]. Journal on Communications, 2013, 34(4): 165-170. ) |
[18] | 程毕芸, 鲁海燕, 徐向平, 等. 求解旅行商问题的改进局部搜索混沌离散粒子群优化算法[J]. 计算机应用, 2016, 36(1): 138-142. ( CHENG B Y, LU H Y, XU X P, et al. Improved local-search-based chaotic discrete particle swarm optimization algorithm for solving traveling salesman problem[J]. Journal of Computer Applications, 2016, 36(1): 138-142. doi: 10.11772/j.issn.1001-9081.2016.01.0138 ) |
[19] | 徐金荣, 李允, 刘海涛, 等. 一种求解TSP的混合遗传蚁群算法[J]. 计算机应用, 2008, 28(8): 2084-2087. ( XU J R, LI Y, LIU H T, et al. Hybrid genetic ant colony algorithm for traveling salesman problem[J]. Journal of Computer Applications, 2008, 28(8): 2084-2087. ) |
[20] | 张弛, 涂立, 王加阳. 新型蚁群算法在TSP问题中的应用[J]. 中南大学学报(自然科学版), 2015, 46(8): 2944-2949. ( ZHANG C, TU L, WANG J Y. Application of self-adaptive ant colony optimization in TSP[J]. Journal of Central South University (Science and Technology), 2015, 46(8): 2944-2949. doi: 10.11817/j.issn.1672-7207.2015.08.026 ) |
[21] | 张长胜, 孙吉贵, 欧阳丹彤. 一种自适应离散粒子群算法及其应用研究[J]. 电子学报, 2009, 37(2): 299-304. ( ZHANG C S, SUN J G, OUYANG D T. A self-adaptive discrete particle swarm optimization algorithm[J]. Acta Electronica Sinica, 2009, 37(2): 299-304. ) |
[22] | 饶卫振, 金淳, 陆林涛. 考虑边位置信息的求解ETSP问题改进贪婪算法[J]. 计算机学报, 2013, 36(4): 836-850. ( RAO W Z, JIN C, LU L T. An improved greedy algorithm with information of edges' location for solving the euclidean traveling salesman problem[J]. Chinese Journal of Computers, 2013, 36(4): 836-850. ) |
[23] | 李擎, 张超, 陈鹏, 等. 一种基于粒子群参数优化的改进蚁群算法[J]. 控制与决策, 2013, 28(6): 873-878. ( LI Q, ZHANG C, CHEN P, et al. Improved ant colony optimization algorithm based on particle swarm optimization[J]. Control and Decision, 2013, 28(6): 873-878. ) |
[24] | 李成兵, 郭瑞雪, 李敏. 改进蚁群算法在旅行商问题中的应用[J]. 计算机应用, 2014, 34(S1): 131-132, 165. ( LI C B, GUO R X, LI M. Application of Improved ant colony algorithm in traveling salesman problem[J]. Journal of Computer Applications, 2014, 34(S1): 131-132, 165. ) |