求解TSP问题的快速蚁群算法

吉林大学学报(工学版) ›› 2013, Vol. 43 ›› Issue (01): 147-151.

求解TSP问题的快速蚁群算法

申铉京^1,2, 刘阳阳^1,2, 黄永平^1,2, 徐铁³, 何习文¹

1. 吉林大学计算机科学与技术学院, 长春 130012;
2. 吉林大学符号计算与知识工程教育部重点实验室, 长春 130012;
3. 吉林石油集团有限责任公司洮河农场, 吉林松原 138000

收稿日期:2012-02-15 出版日期:2013-01-01 发布日期:2013-01-01
通讯作者: 黄永平(1964-),男,副教授.研究方向:图像处理与模式识别,智能控制技术.E-mail:hyp@jlu.edu.cn E-mail:hyp@jlu.edu.cn
作者简介:申铉京(1958-),男,教授,博士生导师.研究方向:图像处理与模式识别,多媒体信息安全,智能控制技术.E-mail:xjshen@jlu.edu.cn
基金资助:
吉林省自然科学基金项目(201115025);符号计算与知识工程教育部重点实验室开放基金项目(450060445325);吉林大学研究生创新基金项目(20111063);吉林大学"大学生创新性实验计划"项目(2011A53100).

Fast ant colony algorithm for solving traveling salesman problem

SHEN Xuan-jing^1,2, LIU Yang-yang^1,2, HUANG Yong-ping^1,2, XU Tie³, He Xi-wen¹

1. College of Computer Science and Technology, Jilin University, Changchun 130012, China;
2. Key Laboratory of Symbolic Computation and Knowledge Engineering of Ministry of Education, Jilin University, Changchun 130012, China;
3. Taohe Farm, Jilin Oil Refco Group Ltd, Songyuan 138000, China

Received:2012-02-15 Online:2013-01-01 Published:2013-01-01

摘要/Abstract

摘要： 针对蚁群算法求解旅行商问题时存在收敛速度慢并容易陷入局部最优的问题,提出了一种改进的蚁群算法。改进算法采用信息素挥发因子自适应调整机制,调节算法收敛速度,保证算法的全局搜索能力。同时根据公共路径降低蚁群算法运算时间,诱导蚁群寻找更优解。实验结果表明,改进算法在迭代次数相对较少的情况下求得的平均解与已知最优解偏差为0.46%,最优解与已知最优解偏差为0.23%,在收敛速度及求解精度上均取到了较好的效果。

关键词: 人工智能, 蚁群算法, 公共路径, 自适应, 旅行商问题

Abstract: Using ant colony algorithm to solve Traveling Salesman Problem (TSP) has certain disadvantages, such plunging into local minimum, slower convergence speed and so on. In order to find the optimal path accurately and rapidly, an improved ant colony algorithm is proposed. The improved algorithm uses adaptive adjusting mechanism of pheromone decay parameter to adjust the convergence speed and ensure the global search ability. With the help of common path, the computation time is reduced and the better solution can be obtained. Experiments show that, in a relatively few iterations, the percentage deviation of the average solution to the best known solution is 0.46%, and the percentage deviation of the best solution to the best known solution is 0.23%. The improved algorithm has high accuracy and convergence speed.

Key words: artificial intelligence, ant colony algorithm, common path, adaptive, traveling salesman problem

中图分类号:

TP18

申铉京, 刘阳阳, 黄永平, 徐铁, 何习文. 求解TSP问题的快速蚁群算法[J]. 吉林大学学报(工学版), 2013, 43(01): 147-151.

SHEN Xuan-jing, LIU Yang-yang, HUANG Yong-ping, XU Tie, He Xi-wen. Fast ant colony algorithm for solving traveling salesman problem[J]. 吉林大学学报(工学版), 2013, 43(01): 147-151.

参考文献

[1] Dorigo M, Maniezzo V, Colorni A. Ant system: optimization by a colony of cooperating agents[J]. IEEE Transaction on Systems, Man, and Cybernetics, Part B: Cybernetics, 1996, 26(1): 29-41.

[2] Dorigo M, Gambardella L M, Middendorf M, et al. Guest editorial: special section special section on ant colony optimization[J]. IEEE Transaction on, Evolutionary Computation, 2002, 6(4): 317-319.

[3] Stutzle T, Hoos H H. Max-min ant system[J]. Future Generation Computer Systems, 2000(16):889-914.

[4] Malisia A R, Tizhoosh H R. Applying opposition-based ideas to the ant colony system//2007 IEEE Congress on Swarm Intelligence Symposium, Hono-lulu, HI, 2007: 182-189.

[5] Duan H B, Zhang X Y, Wu J, et al. Max-min adaptive ant colony optimization approach to multi-UAVs coordinated trajectory replanning in dynamic and uncertain environments[J]. Journal of Bionic Engineering, 2009,6(2): 161-173.

[6] Yu B, Yang Z Z, Yao B Z. An improved ant colony optimization for vehicle routing problem[J]. Euro-pean Journal of Operational Research, 2009, 196(1): 171-176.

[7] Tseng S P, Tsai C W, Chiang M C, et al. A fast ant colony optimization for traveling salesman problem//2010 IEEE Congress on Evolutionary Computation, Barcelona, 2010:1-6.

[8] 罗雪晖, 杨烨, 李霞. 改进混合蛙跳算法求解旅行商问题[J]. 通信学报, 2009, 30(7): 130-134. Luo Xue-hui, Yang Ye, Li Xia. Modified shuffled frog-leaping algorithm to solve traveling salesman problem[J]. Journal on Communications, 2009, 30(7): 130-134.

[9] Masutti T A S, Castro L N D. A self-organizing neural network using ideas from the immune system to solve the travelling salesman problems[J]. Information Sciences, 2009, 179(10): 1454-1468.

[10] Chen S M, Chien C Y. Solving the traveling sales-man problem based on the genetic simulated annealing ant colony system with particle swarm optimization techniques[J]. Expert Systems with Applications, 2011(38):14439-14450.

相关文章 15

[1]	顾万里,王萍,胡云峰,蔡硕,陈虹. 具有H_∞性能的轮式移动机器人非线性控制器设计[J]. 吉林大学学报(工学版), 2018, 48(6): 1811-1819.
[2]	赵伟强, 高恪, 王文彬. 基于电液耦合转向系统的商用车防失稳控制[J]. 吉林大学学报(工学版), 2018, 48(5): 1305-1312.
[3]	董飒, 刘大有, 欧阳若川, 朱允刚, 李丽娜. 引入二阶马尔可夫假设的逻辑回归异质性网络分类方法[J]. 吉林大学学报(工学版), 2018, 48(5): 1571-1577.
[4]	顾海军, 田雅倩, 崔莹. 基于行为语言的智能交互代理[J]. 吉林大学学报(工学版), 2018, 48(5): 1578-1585.
[5]	刘元宁, 刘帅, 朱晓冬, 陈一浩, 郑少阁, 沈椿壮. 基于高斯拉普拉斯算子与自适应优化伽柏滤波的虹膜识别[J]. 吉林大学学报(工学版), 2018, 48(5): 1606-1613.
[6]	王旭, 欧阳继红, 陈桂芬. 基于垂直维序列动态时间规整方法的图相似度度量[J]. 吉林大学学报(工学版), 2018, 48(4): 1199-1205.
[7]	张浩, 占萌苹, 郭刘香, 李誌, 刘元宁, 张春鹤, 常浩武, 王志强. 基于高通量数据的人体外源性植物miRNA跨界调控建模[J]. 吉林大学学报(工学版), 2018, 48(4): 1206-1213.
[8]	赵宏伟, 刘宇琦, 董立岩, 王玉, 刘陪. 智能交通混合动态路径优化算法[J]. 吉林大学学报(工学版), 2018, 48(4): 1214-1223.
[9]	曹婧华, 孔繁森, 冉彦中, 宋蕊辰. 基于模糊自适应PID控制的空压机背压控制器设计[J]. 吉林大学学报(工学版), 2018, 48(3): 781-786.
[10]	黄岚, 纪林影, 姚刚, 翟睿峰, 白天. 面向误诊提示的疾病-症状语义网构建[J]. 吉林大学学报(工学版), 2018, 48(3): 859-865.
[11]	李雄飞, 冯婷婷, 骆实, 张小利. 基于递归神经网络的自动作曲算法[J]. 吉林大学学报(工学版), 2018, 48(3): 866-873.
[12]	刘杰, 张平, 高万夫. 基于条件相关的特征选择方法[J]. 吉林大学学报(工学版), 2018, 48(3): 874-881.
[13]	陈松, 李显生, 任园园. 公交车钩形转弯交叉口自适应信号控制方法[J]. 吉林大学学报(工学版), 2018, 48(2): 423-429.
[14]	王旭, 欧阳继红, 陈桂芬. 基于多重序列所有公共子序列的启发式算法度量多图的相似度[J]. 吉林大学学报(工学版), 2018, 48(2): 526-532.
[15]	杨欣, 夏斯军, 刘冬雪, 费树岷, 胡银记. 跟踪-学习-检测框架下改进加速梯度的目标跟踪[J]. 吉林大学学报(工学版), 2018, 48(2): 533-538.

Metrics

Viewed

Full text

Abstract

Cited

Shared

Discussed