蚁群算法中信息素增量和扩散模型的研究*

计算机科学与探索 ›› 2007, Vol. 1 ›› Issue (1): 87-94.

蚁群算法中信息素增量和扩散模型的研究*

冀俊忠,刘椿年,黄振

北京工业大学计算机学院多媒体与智能软件技术北京市重点实验室，北京１０００２２

收稿日期:1900-01-01 修回日期:1900-01-01 出版日期:2007-06-06 发布日期:2007-06-06
通讯作者: 冀俊忠

Research of pheromone increment and diffusion model for ant colony optimization algorithms

JI Jun-zhong,LIU Chun-nian,HUANG Zhen

Beijing Municipal Key Laboratory of Multimedia and Intelligent Software Technology，College of Computer Science and Technology，Beijing University of Technology，Beijing 100022，China

Received:1900-01-01 Revised:1900-01-01 Online:2007-06-06 Published:2007-06-06
Contact: ＪI Ｊｕｎ-ｚｈｏｎｇ

摘要/Abstract

摘要：

文章提出一种新的基于信息素增量和扩散模型的蚁群算法。首先，基于能量守恒与转换定律对信息素的增量模型进行修正，以体现蚂蚁在不同路径上行走时所产生的信息量差异;其次，以蚂蚁经过的路径（直线段）作为信息素扩散浓度场的信源，改善了信息素扩散模型，强化了蚂蚁间的协作和交流。大量TSP（Traveling Salesman Problem）问题的实验表明：该算法不仅能获得更好的解，而且能加快算法的收敛速度。

关键词: 蚁群算法, 能量守恒与转换, 扩散模型, 浓度场

Abstract:

A new ACO（Ant Colony Optimization） algorithm based on pheromone increment and diffusion models is presented.First，in light of energy conversation and transform，the pheromone increment formula is revised to show the pheromone difference of different paths.Meanwhile，a pheromone diffusion model based on info fountain of a path is established to faithfully reflect the strength field of pheromone diffusion，it strengthens the collaboration among ants.The experimental results for many TSP problems demonstrate that the proposed algorithm can not only get much better solutions but also improve the speed of convergence.

Key words: ant colony optimization, energy conversation and transform, diffusion model, strength field

冀俊忠,刘椿年,黄振. 蚁群算法中信息素增量和扩散模型的研究*[J]. 计算机科学与探索, 2007, 1(1): 87-94.

JI Jun-zhong,LIU Chun-nian,HUANG Zhen

Research of pheromone increment and diffusion model for ant colony optimization algorithms

[J]. Journal of Frontiers of Computer Science and Technology, 2007, 1(1): 87-94.

[1]	莫亚东, 游晓明, 刘升. 融合奖惩学习策略的动态分级蚁群算法[J]. 计算机科学与探索, 2021, 15(9): 1703-1716.
[2]	孟静雯，游晓明，刘升. 结合协同机制与动态调控策略的双蚁群算法[J]. 计算机科学与探索, 2021, 15(11): 2206-2221.
[3]	殷绍伟, 彭力, 戴菲菲. 融合改进A*蚁群和滚动窗口法的平滑路径规划[J]. 计算机科学与探索, 2021, 15(10): 1969-1979.
[4]	潘晗，游晓明，刘升. 考虑动态导向与邻域交互的双蚁型算法[J]. 计算机科学与探索, 2020, 14(6): 1005-1016.
[5]	张德惠，游晓明，刘升. 融合猫群算法的动态分组蚁群算法[J]. 计算机科学与探索, 2020, 14(5): 880-891.
[6]	冯志雨，游晓明，刘升. 分层递进的改进聚类蚁群算法解决TSP问题[J]. 计算机科学与探索, 2019, 13(8): 1280-1294.
[7]	郭羽含，胡芳霞. 考虑匹配可行性的长期合乘问题建模与求解[J]. 计算机科学与探索, 2019, 13(11): 1894-1910.
[8]	朱宏伟，游晓明，刘升. 协同过滤策略的异构双种群蚁群算法[J]. 计算机科学与探索, 2019, 13(10): 1754-1767.
[9]	任珂欣，王兴伟，马连博，黄敏. 蚁群分工启发的ICN负载均衡机制[J]. 计算机科学与探索, 2018, 12(7): 1109-1116.
[10]	王纯子，郭伟，张斌. 求解非线性混合整数规划的算法设计与仿真[J]. 计算机科学与探索, 2013, 7(9): 854-864.
[11]	陈光鹏+, 杨育彬. 利用蚁群算法的记忆式图像检索方法[J]. 计算机科学与探索, 2011, 5(1): 32-37.