下载文档原格式
MATLAB实现基于蚁群算法的机器人路径规划1、问题描述移动机器人路径规划是机器人学的一个重要研究领域。
它要求机器人依据某个或某些优化原则(如最小能量消耗，最短行走路线，最短行走时间等)，在其工作空间中找到一条从起始状态到目标状态的能避开障碍物的最优路径。
机器人路径规划问题可以建模为一个有约束的优化问题，都要完成路径规划、定位和避障等任务。
2 算法理论蚁群算法（Ant Colony Algorithm，ACA），最初是由意大利学者Dorigo M. 博士于1991 年首次提出，其本质是一个复杂的智能系统，且具有较强的鲁棒性，优良的分布式计算机制等优点。
该算法经过十多年的发展，已被广大的科学研究人员应用于各种问题的研究，如旅行商问题，二次规划问题，生产调度问题等。
但是算法本身性能的评价等算法理论研究方面进展较慢。
Dorigo 提出了精英蚁群模型（EAS），在这一模型息素更新按照得到当前最优解的蚂蚁所构造的解来进行，但这样的策略往往使进化变得缓慢，并不能取得较好的效果。
次年Dorigo 博士给出改进模型（ACS），文中改进了转移概率模型，并且应用了全局搜索与局部搜索策略，来得进行深度搜索。
Stützle 与Hoos给出了最大-最小蚂蚁系统（MAX-MINAS），所谓最大-最小即是为信息素设定上限与下限，设定上限避免搜索陷入局部最优，设定下限鼓励深度搜索。
蚂蚁作为一个生物个体其自身的能力是十分有限的，比如蚂蚁个体是没有视觉的，蚂蚁自身体积又是那么渺小，但是由这些能力有限的蚂蚁组成的蚁群却可以做出超越个体蚂蚁能力的超常行为。
蚂蚁没有视觉却可以寻觅食物，蚂蚁体积渺小而蚁群却可以搬运比它们个体大十倍甚至百倍的昆虫。
这些都说明蚂蚁群体部的某种机制使得它们具有了群体智能，可以做到蚂蚁个体无法实现的事情。
经过生物学家的长时间观察发现，蚂蚁是通过分泌于空间中的信息素进行信息交流，进而实现群体行为的。
下面简要介绍蚁群通过信息素的交流找到最短路径的简化实例。
基于自适应蚁群算法的车辆路径问题研究车辆路径问题是一个NP-hard问题，传统的方法对其进行有效求解，本文分析了蚁群算法在VRP问题中的可行性，并提出了自适应策略对传统的蚁群算法进行改进，该策略可以根据不同搜索阶段调整参数提高算法的收敛速度。
最后，通过芜湖市的数据对该方法进行检验，实验结果显示，本文提出的自适应蚁群算法的性能优于传统的蚁群算法。
标签：车辆路径问题蚁群算法自适应策略一、引言车辆路径问题（VRP）是物流研究领域中一个具有十分重要理论和现实意义的问题，该问题可以描述为一个需求点位置已知的物流服务网络的车辆配送问题，其目标就是寻找最小费用的车辆配送路线。
车辆路径问题是一个著名的NP 完全问题，只有当其规模较小时，才能求得其精确解。
近年来，大量的研究结果显示，启发式算法在求解大规模车辆路径问题时是一种有效的途径。
蚁群算法（ACO)是由意大利学者Dorigo等人在20世纪90年代初首先提出来的，它是继模拟退火算法、遗传算法、禁忌搜索算法、人工神经网络等以后的又一种应用于组合优化问题的启发式搜索算法。
比较有代表性的研究有，M.Dorigo等人使用蚁群算法解决TSP问题，然后进一步把它们的方法扩展到了解决不均衡的TSP、QAP和job-shop调度问题中；为了克服在Ant-Q中可能出现的停滞现象，Stützle,T.等人提出了MAX-MIN蚁群算法，称作MMAS，该算法为了避免算法过早收敛非全局最优解，将各路经的信息素浓度限制在[τmin,τmax]之间，各路径初始信息素初值设为最大值τmax，并且一次循环后只增加路径最短的蚂蚁经过路径的信息素；吴庆洪等人提出了具有变异特征的蚁群算法，在基本蚁群算法中引入变异机制，充分利用了2-交换法简洁高效的特点；姚宝珍[4]提出了一种自适应的蚁群算法，该算法可以根据搜索的阶段调整参数;陈等人提出了一种基于分布均匀度的自适应蚁群算法，该算法根据优化过程中解的分布均匀度，自适应地调整路径选择概率的确定策略和信息量更新策略。
基于蚁群算法的路径规划研究近年来，随着人工智能技术的不断发展，各种智能算法也呈现多样化和广泛性，其中蚁群算法是一种基于自然现象的群体智能算法，具有很好的鲁棒性、适应性和通用性，在路径规划领域得到了广泛的研究和应用。
一、蚁群算法简介蚁群算法（Ant Colony Optimization，简称ACO）是一种基于群体智能的优化算法，模拟了蚂蚁的觅食行为，通过“觅食-回家-释放信息”的三个过程实现路径规划的优化，具有自适应性和强鲁棒性。
蚁群算法是一种全局搜索的算法，能够在多个复杂的条件下找到最优解。
蚁群算法的主要特点有以下五点：1. 信息素的引导。
在路径搜索过程中，蚂蚁根据信息素的浓度选择路径，信息素浓度高的路径被更多的蚂蚁选择，信息素浓度低的路径则会逐渐被遗弃，从而保证了路径的收敛性和优化性。
2. 分散探索和集中更新。
蚂蚁在搜索过程中会自发地进行分散探索和集中更新，同时保证了全局搜索和局部搜索的平衡性。
3. 自适应性。
蚁群算法能够根据搜索条件自适应地调整搜索策略，从而更好地适应复杂的环境变化。
4. 并行性。
蚁群算法的搜索过程可以并行进行，充分利用计算机的并行计算能力，在效率和速度上有很大的优势。
5. 通用性。
蚁群算法不仅可以用于路径规划，在组合优化、图论等领域也有广泛的应用。
二、蚁群算法在路径规划中的应用蚁群算法在路径规划中的应用可以分为两种类型：单一目标路径规划和多目标路径规划。
1. 单一目标路径规划。
单一目标路径规划是指在一个起点和终点之间，寻找一条最短的路径或耗时最少的路径。
蚁群算法在单一目标路径规划中的应用最为广泛，在典型应用中包括迷宫求解、地图导航、自动驾驶等。
以地图导航为例，地图导航需要考虑注重路径的最短距离和最短时间两个方面。
蚁群算法可以根据具体的需求，通过选择较小的权值系数来优化路径规划的结果。
在蚁群算法的搜索过程中，由于每只蚂蚁选择路径的过程都受到信息素强度的影响，因此在搜索的过程中，每只蚂蚁都有相应的机会选择最短距离或最短时间路径，并以此更新信息素，最终找到最优的路径。
基于改进蚁群算法的移动机器人路径规划方法移动机器人路径规划是指在给定环境中，通过合理的路径选择机制，使机器人能够从起始位置达到目标位置。
蚁群算法（Ant Colony Optimization，ACO）是一种仿生优化算法，通过模拟蚂蚁在寻找食物过程中的行为来解决组合优化问题。
本文将基于改进蚁群算法的移动机器人路径规划方法进行讨论。
首先，基本蚁群算法可以描述为：蚂蚁在过程中通过释放信息素来引导其他蚂蚁选择路径，蚂蚁选择路径的概率与路径上的信息素浓度有关。
因此，移动机器人路径规划可以将环境建模为一个图，图中的节点代表机器人可以经过的位置，边表示节点之间的连接关系，边上的信息素浓度表示该路径的选择概率。
然而，基本蚁群算法存在一些问题，如易陷入局部最优解、收敛速度慢等。
为了改进蚁群算法的性能，可以采取以下措施：1.引入启发式信息：在传统蚁群算法中，蚂蚁只通过信息素来选择路径，而没有考虑其他启发信息。
可以通过引入启发式信息，比如节点之间的距离、节点的拥挤程度等，来辅助蚂蚁选择路径。
启发式信息可以通过转化为边上的信息素浓度来体现，从而在路径选择过程中起到指导作用。
2.动态调整参数：传统蚁群算法中的参数，如信息素的挥发系数、信息素的增加量等，通常是固定的。
在移动机器人路径规划中，可以根据进程的需要，动态调整这些参数。
比如，可以根据过程中的信息素浓度变化情况来动态调整信息素的挥发系数，增强的全局性。
3.禁忌表策略：禁忌表策略是一种记忆性策略，通过记录已经过的路径信息，来避免蚂蚁陷入重复的情况。
在移动机器人路径规划中，可以采用禁忌表策略来记录已经探索过的路径，从而防止机器人陷入循环过程。
4.并行化计算：蚁群算法的过程涉及到大量的迭代计算，这些计算可以通过并行化来加速。
在移动机器人路径规划中，可以将蚁群算法的计算过程进行并行化处理，通过多个计算节点同时进行并交换信息，从而提高效率。
综上所述，基于改进蚁群算法的移动机器人路径规划方法可以引入启发式信息、动态调整参数、禁忌表策略和并行化计算来提高规划算法的性能。
自适应蚁群算法!张纪会（东北大学控制仿真中心·沈阳， ）高齐圣（青岛化工学院计算机系·青岛， ）徐心和（东北大学控制仿真中心·沈阳， ）摘要：蚁群算法是由意大利学者 等人首先提出的一种新型的模拟进化算法，初步的研究已经表明该算法具有许多优良的性质，为求解算杂的组合优化问题提供了一种新思路 此方法已经引起了众多学者的研究兴趣 但同时也存在着一些缺点，如需要较长的计算时间，容易出现停滞现象等 目前国内对此研究尚少，为此，本文对蚁群算法的研究现状作一综述，希望能够对相关研究起到一定的启发作用关键词：蚁群算法；强化学习；旅行商问题文献标识码：（ ， · ， ， ）（ ， · ， ， ）（ ， · ， ， ）： ， ， ， ， ，： ； ；引言（ ）本世纪 年代中期创立了仿生学，人们从生物进化的机理中受到启发，提出了许多用以解决复杂优化问题的新方法，如遗传算法、进化规划、进化策略等 蚁群算法是最近几年才提出的一种新型的模拟进化算法，由意大利学者等人首先提出来［ ］，他们称之为蚁群系统（ ），并用该方法求解旅行商问题（ ）［ ］、指派问题（ ）［ ， ］、 调度问题［ ， ］，取得了一系列较好的实验结果 受其影响，蚁群系统模型逐渐引起了其他研究者的注意，并用该算法来解决一些实际问题［ ， ］虽然对此方法的研究刚刚起步，但是这些初步研究已显示出蚁群算法在求解复杂优化问题（特别是离散优化问题）方面的一些优越性，证明它是一种很有发展前景的方法 鉴于目前国内尚缺乏这一方面的研究，本文对蚁群算法原理及其研究现状作一综述，希望能够对相关研究有所启发基本蚁群算法（ ）!基本蚁群算法的原理（ ）人工蚁群算法是受到人们对自然界中真实的蚁群集体行为的研究成果的启发而提出的一种基于种群的模拟进化算法，属于随机搜索算法 由意大利学者 等人首先提出［ ］ 等人首次提出该方法时，充分利用了蚁群搜索食物的过程与著名的旅行商问题（ ）之间的相似性，通过人工模拟蚂蚁搜索食物的过程（即：通过个体之间的信息交流与相互协作最终找到从蚁穴到食物源的最短路径）来求解 ，为了区别于真实蚂蚁群体系统，我们称这种算法为“人工蚁群算法”象蚂蚁这类群居昆虫，虽然单个蚂蚁的行为极其简单，但由这样的单个简单的个体所组成的蚁群群体却表现出极其复杂的行为，能够完成复杂的任务，不仅如此，蚂蚁还能够适应环境的变化，如：在蚁群运动路线上突然出现障碍物时，!基金项目：主题（ ）资助项目 收稿日期： ；收修改稿日期：第 卷第 期 年 月控制理论与应用， ，"""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""文章编号： （ ）蚂蚁能够很快地重新找到最优路径蚁群是如何完成这些复杂的任务的呢？人们经过大量研究发现，蚂蚁个体之间是通过一种称之为外激素（）的物质进行信息传递从而能相互协作，完成复杂的任务蚁群之所以表现出复杂有序的行为，个体之间的信息交流与相互协作起着重要的作用蚂蚁在运动过程中，能够在它所经过的路径上留下该种物质，而且蚂蚁在运动过程中能够感知这种物质的存在及其强度，并以此指导自己的运动方向，蚂蚁倾向于朝着该物质强度高的方向移动因此，由大量蚂蚁组成的蚁群的集体行为便表现出一种信息正反馈现象：某一路径上走过的蚂蚁越多，则后来者选择该路径的概率就越大蚂蚁个体之间就是通过这种信息的交流达到搜索食物的目的［］!!!基本蚁群系统模型及其实现（）为了便于理解，我们以求解平面上个城市的问题（，，…，n表示城市序号）为例说明蚁群系统模型对于其它问题，可以对此模型稍作修改便可应用［］为模拟实际蚂蚁的行为，首先引进如下记号：设是蚁群中蚂蚁的数量，d ij（i，j，，…，n）表示城市和城市之间的距离，（）表示时刻位于城市的蚂蚁的个数，!（）（）表示时刻在连线上残留的信息量初始时刻，各条路径上信息量相等，设（）（为常数）蚂蚁（，，…，）在运动过程中，根据各条路径上的信息量决定转移方向，（）表示在时刻蚂蚁由位置转移到位置的概率，（）（）! "（）（），"，，{（）其中，｛，，…，｝表示蚂蚁下一步允许选择的城市与实际蚁群不同，人工蚁群系统具有记忆功能，（，，…，）用以记录蚂蚁当前所走过的城市，集合u k随着进化过程作动态调整随着时间的推移，以前留下的信息逐渐消逝，用参数表示信息消逝程度，经过个时刻，蚂蚁完成一次循环，各路径上信息量要根据下式作调整：（）·（）!，（）!!!，（）!表示第只蚂蚁在本次循环中留在路径上的信息量，!表示本次循环中路径上的信息量的增量!，若第只蚂蚁在本次循环中经过，，否则{（）其中，是常数，表示第只蚂蚁在本次循环中所走路径的长度在初始时刻，（）（），!（，，，…，），分别表示蚂蚁在运动过程中所积累的信息及启发式因子在蚂蚁选择路径中所起的不同作用表示由城市转移到城市的期望程度，可根据某种启发式算法具体确定根据具体算法的不同，（），!（）及（）的表达形式可以不同，要根据具体问题而定曾给出三种不同模型，分别称之为、、［］它们的差别在于表达式（）的不同在模型中：!，若第只蚂蚁在时刻和之间经过，，否则{（）在模型中：!，若第只蚂蚁在时刻和之间经过，，否则{（）它们的区别在于：后两种模型中，利用的是局部信息，而前者利用的是整体信息，在求解问题时，性能较好因而通常采用它作为基本模型参数，，，，可以用实验方法确定其最优组合算法的实现过程可参见文献［，］中的描述，这里省略"基本蚁群算法的优点与不足之处（）为了说明基本蚁群系统的优点与不足，文献［］给出用基本蚁群算法求解的典型实验结果，从这些结果可看出蚁群算法具有如下优点：）较强的鲁棒性：对基本蚁群算法模型稍加修改，便可以应用于其它问题；）分布式计算：蚁群算法是一种基于种群的进化算法，具有本质并行性，易于并行实现；）易于与其它方法结合：蚁群算法很容易与多种启发式算法结合，以改善算法的性能众多研究已经证明蚁群算法具有很强的发现较好解的能力，这是因为该算法不仅利用了正反馈原理，在一定程度上可以加快进化过程，而且是一种本质并行的算法，不同个体（）之间不断进行信息交流和传递，从而能够相互协作，有利于发现较好解蚁群算法可以解释为一种特殊的强化学习（：）算法［］公式（）反映了蚁群算法与学习算法之间的联系其中，相当于学习中的值，表示学习所得到的经验由某种启发式算法确定，如何将这两者结合起来，是提高蚁群算法效率的关键问题虽然蚁群算法有许多优点，但是，这种算法也存在一些缺陷，如：与其它方法相比，该算法一般需要较长的搜索时间，蚁群算法的复杂度可以反映这一点；而且该方法容易出现停滞现象（），即搜索进行到一定程度后，所有个体所发现的解完全一致，不能对解空间进一步进行搜索，不利于发现更好的解对于这两个问题，已经引起了许多研究者的注意，并提出了若干改善方法，如提出的［］，等人提出的［］#蚁群算法研究现状（）控制理论与应用卷作为一种新型的进化算法，提出不久后便引起了人们的关注，针对其不足之处，人们作了一些有效的研究，下面对此作一简述等人［，，］提出基本蚁群算法后不久，又提出一种更一般的蚁群算法，并称之为［，］在该算法中，个体I的移动规则为S=U!edr｛［AO（r，U）］［H E（r，U）］｝，g"g，依概率p I i选择S，{.（）AO值按照如下规则进行更新AO（r，S）#（-）·AO（r，S）+·（!AO（r，S）+·U!ed IAO（S，U））.（）式（），（）进一步揭示了与强化学习算法的联系文献［］研究了的性质，并研究了参数，，g对算法性能的影响实验结果表明，与基本蚁群算法相比，更具有一般性，而且更有利于全局搜索为了克服基本蚁群算法的不足，人们对其作了若干改进文献［，］提出（），其基本思想是仅让每一代中的最好个体所走路径上的信息量作调整，以加快收敛速度，这样便容易出现停滞现象，为了避免这一点，用-分支因子［］作为衡量群体多样性的一个指标，当-分支因子低于某一数值时，便对各个路径上的信息量作动态调整，以期望避免过早出现停滞现象.但是-分支因子计算起来比较复杂，而且对它的界限不容易把握，不便于应用.此外还有等提出的［］文献［］将蚁群算法与两交换方法有机结合，结果表明该方法可以大大提高基本蚁群算法的搜索效率.文献［］通过引入遗忘因子，可以做到对过去知识的慢慢遗忘，因而能够强化后来学习得到知识，不致过早出现停滞现象，有利于发现更好的解.所有这些研究，都在一定程度上提高了基本蚁群算法的效率.!自适应蚁群算法（）通过对蚁群算法的分析不难发现：蚁群算法的主要依据是信息正反馈原理和某种启发式算法的有机结合，这种算法在构造解的过程中，利用随机选择策略，这种选择策略使得进化速度较慢，正反馈原理旨在强化性能较好的解，却容易出现停滞现象这是造成蚁群算法的不足之处的根本原因因而我们从选择策略方面进行修改，我们采用确定性选择和随机选择相结合的选择策略，并且在搜索过程中动态地调整作确定性选择的概率当进化到一定代数后，进化方向已经基本确定，这时对路径上信息量作动态调整，缩小最好和最差路径上的信息量的差距，并且适当加大随机选择的概率，以利于对解空间的更完全搜索，从而可以有效地克服基本蚁群算法的两个不足我们的方法属于自适应方法此算法按照下式确定蚂蚁I由i转多到的下一城市SS=U!edI｛iU（t）iU（t）｝，r"p，依概率p I i S（t）选择S，{.（）其中，p!（，），r是（，）中均匀分布的随机数当进化方向基本确定后用简单的放大（或缩小）方法调整每一路径上的信息量对于这一算法，我们做过大量实验（由于篇幅所限，这里不给出具体实验结果，有关实验结果将另文发表）实验表明由于采用自适应选择和动态调整策略，算法的性能明显得到改善，该方法不仅能够加快收敛速度，节省搜索时间，而且能够克服停滞行为的过早出现，有利于发现更好的解这对于求解大规模优化问题是十分有利的"蚁群算法的应用（）蚁群算法已经在若干领域获得了成功的应用其中最成功的应用是在组合优化问题中的应用，其典型代表有，（），调度等文献［，，，］用蚁群算法求解问题，结果表明该方法优于其它方法文献［，］研究了指派问题的蚁群算法求解效果蚁群算法在调度问题中的应用也得到了初步研究［，］，利用的析取图模型与问题的相似性，可用蚁群算法求解调度问题，并取得了一系列较好的实验结果等［］在等人研究成果的基础上，提出了一种求解指派类型问题的一般模型，并用来研究着色问题等［］研究了求解连续空间优化问题的蚁群系统模型，并用来解决某些实际工程设计问题，但是蚁群算法在求解连续优化问题方面的优越性相对要弱一些虽然对此方法的研究刚刚起步，但是这些初步研究已显示出蚁群算法在求解算杂优化问题（特别是离散优化问题）方面的一些优越性#结论（）蚁群算法是一种新型的模拟进化算法，其研究刚刚开始，远未象，等算法那样形成系统的分析方法和坚实的数学基础，有许多问题有待进一步研究，如算法的收敛性、理论依据等但可以想象，随着研究的深入，蚁群算法也将同其它模拟进化算法一样，获得越来越多的应用参考文献（）［］，［］：［］，：，，［］，［］：（）［］：，，［］，，［］，，（）：［］，［］，，，，，［］［］：［］：，，（下转第页）期自适应蚁群算法（上接第(页）［*］A051)G，<%,1O8)*9G>@>$5L!:4@%99$*/06)5%P>%*1$)2)2/0,$134 H$13$*)*%D02>1$0*),7)2/0,$13460,-020,$*/=,0@2%4$*/,)=35［"］!"!063%>,$51$-5，"#&#，%)（"）：")+’"%&［$］G0,$/0M，M)*$%OO0Q)*9A020,*$8!8*15751%4：0=1$4$O)1$0*@7 )-020*706-00=%,)1$*/)/%*15［"］!:;;;(,)*5!0*&751%45，M)*)*9A7@%,*)1$-5，"##*，%*（"）：%&’!"［&］G0,$/0M，M)*$%OO0Q)*9A020,*$8!8*15751%4：)*)>10-)1)271$-0=1$4$O$*/=,0-%55［?］!(%-3*$-)2?%=0,1#"’)"*，+02$1%-*$-09$M$2)*0，"##"［#］R)1.$*5A!’%),*$*/H$139%2)7%9,%H),95［G］!;*/2)*9：+57-3020/7G%=),14%*1，S*$D%,5$1706A)4@,$9/%，"#&#［")］G0,$/0M)*9’>-)M!851>9706504%=,0=%,1$%506)*1JT［8］!:*：<M Q0$/1，R;@%2$*/)*9:?%-3%*@%,/，%1)2%95!+,0-!06!13:*1!A0*6!0*+),)22%2+,0@2%4&02D$*/6,04U)1>,%（++&U）［A］!E%,2$*：&=,$*/%,JQ%,2)/，"##*，*+*’**+［""］’>-)M，V)4@),9%22))*9G0,$/0M!8*1JT：)*,%$*60,-%4%*1 2%),*$*/)==,0)-31013%1,)D%2$*/5)2%54)*=,0@2%4［8］!:*：+,0-!06"%13M)-3$*%’%),*$*/A0*6!［A］!W,)*-%：M0,/)*N)>64)**，"##+，%+%’%*)［"%］(304)551X1O2%)*9<02/%,<005!M)IJ4$*)*15751%4)*920-)25%),-360,-04@$*)10,$)20=1$4$O)1$0*=,0@2%45［8］!:*：+,0-!06%*9:*1!A0*6!0*M%1)3%>,$51$-5［A］!R$%*：&=,$*/%,JQ%,2)/，"##$［"(］&1X1O2%()*9<005<!:4=,0D%4%*150*13%)*15751%4：$*1,09>-$*/4)IJ4$*)*15751%4［8］!:*：+,0-!:*1!A0*6!8,1$6$-$)2U%>,)2U%1H0,.)*9V%*%1$-82/0,$134［A］!R$%*：&=,$*/%,JQ%,2)/，"##$［"!］张纪会，徐心和!带遗忘因子的蚁群算法［"］!系统仿真学报，%)))，（%）［"+］张纪会，徐心和!具有变异特征的蚁群算法［"］!计算机研究与发展，%)))，（"）［"*］张纪会，徐心和!一种新型的模拟进化算法———蚁群算法［"］!系统工程理论与实践，"###，（(）：&!’&$本文作者简介张纪会"#*#年生!博士!主要研究方向为：离散事件动态系统，智能调度，智能计算，混合系统等!高齐圣"#**年生!博士，副教授!主要研究方向为：智能优化，智能管理等!徐心和"#!)年生!东北大学教授，博士生导师!主要研究方向为离散事件动态系统，计算机控制与仿真，混合系统等!自适应蚁群算法作者：张纪会， 高齐圣， 徐心和， ZHANG Jihui， GAO Qisheng， XU Xinhe作者单位：张纪会,徐心和,ZHANG Jihui,XU Xinhe(东北大学控制仿真中心·沈阳,110006)， 高齐圣,GAO Qisheng(青岛化工学院计算机系·青岛,266042)刊名：控制理论与应用英文刊名：CONTROL THEORY & APPLICATIONS年，卷(期)：2000,17(1)被引用次数：165次1.Colorni A;Dorigo M;Maniezzo V Distributed optimization by ant colonies 19912.Colorni A;Dorigo M;Maniezzo V An investigation of some properties of an ant algorithm 19923.Colorni A;Dorigo M;Maniezzo V Ant system for job shop scheduling 1994(01)4.Maniezzo V;Colorni A;Dorigo M The ant system applied to the quadratic assignment problem 19945.Bilchev G;Parmee I C Searching heavily contrained design spaces 19956.Costa D;Hertz A;Dubuis O Imbedding of a sequential algorithm within an evolutionary algorithm for coloring problem in graphs 1989(01)7.Dorigo M;Maniezzo V;Colorni A Ant system: optimization by a colony of cooperating agents 1996(01)8.Dorigo M;Maniezzo V;Colorni A Ant system: an autocatalytic optimizing process 19919.Watkins C Learning with delayed rewards 198910.Dorigo M;Luca M A study of some properties of ant-Q[外文会议] 199611.Luca M;Gambardella;Dorigo M Ant-Q: an reinforcement learning approach to the traveling salesman problem 199512.Thomas stützle;Holger Hoos Max-min ant system and local search for combinatorial optimization problems 199713.Stützle T;Hoos H Improvements on the ant system: introducing max-min ant system 199714.张纪会;徐心和带遗忘因子的蚁群算法 2000(02)15.张纪会;徐心和具有变异特征的蚁群算法[期刊论文]-计算机研究与发展 2000(01)16.张纪会;徐心和一种新型的模拟进化算法--蚁群算法[期刊论文]-系统工程理论与实践 1999(03)1.吴庆洪.张纪会.徐心和.WU Qing-Hong.ZHANG Ji-Hui.XU Xin-He具有变异特征的蚁群算法[期刊论文]-计算机研究与发展1999,36(10)2.吴斌.史忠植一种基于蚁群算法的TSP问题分段求解算法[期刊论文]-计算机学报2001,24(12)3.陈崚.沈洁.秦玲.陈宏建基于分布均匀度的自适应蚁群算法[期刊论文]-软件学报2003,14(8)4.王颖.谢剑英一种自适应蚁群算法及其仿真研究[期刊论文]-系统仿真学报2002,14(1)1.李静.刘学.赵健基于蚁群寻优的汽车牵引力PID控制参数整定[期刊论文]-吉林大学学报（工学版） 2008(4)2.李荣东.杨娜蚁群算法在泄水建筑物下游收缩断面水深计算中的应用[期刊论文]-黑龙江水利科技 2008(2)3.谢宏蚁群算法解决TSP问题的研究[期刊论文]-农业网络信息 2007(3)4.康一梅.杨恩博.杨鑫凯基于改进蚁群算法的火源定位策略研究[期刊论文]-计算机工程与应用 2012(2)5.桑国珍.何小虎基于自适应蚁群算法的研究[期刊论文]-科技信息 2010(10)6.韩芳.周忠勋.孙毅基于改进双种群蚁群算法的无功优化研究[期刊论文]-东北电力大学学报 2010(4)7.毛力.荚恒松.卞锋基于分类蚁群算法的彩色图像自动分类[期刊论文]-计算机工程与应用 2008(6)8.岳凤.刘希玉自适应调整挥发系数的逆向蚁群算法[期刊论文]-计算机工程与应用 2008(3)9.王艳松.陈国明.张加胜蚁群算法在油田配电网开关优化配置中的应用[期刊论文]-石油大学学报（自然科学版） 2005(2)10.詹士昌蚁群算法在连续性空间优化问题中的应用[期刊论文]-杭州师范学院学报(自然科学版) 2004(5)11.李志伟基于群集智能的蚁群优化算法研究[期刊论文]-计算机工程与设计 2003(8)12.郝晋.石立宝.周家启求解复杂TSP问题的随机扰动蚁群算法[期刊论文]-系统工程理论与实践 2002(9)13.郝晋.石立宝.周家启具有随机扰动特性的蚁群算法[期刊论文]-仪器仪表学报 2001(z1)14.海丽切木·阿布来提浅谈几种智能优化算法[期刊论文]-电脑知识与技术 2011(19)15.刘媛.韩应征蚁群算法求解优化函数[期刊论文]-中国新技术新产品 2009(12)16.李国宁.凌卫新基于模拟退火的动态蚁群算法求解TSP[期刊论文]-科学技术与工程 2009(11)17.尤晓清.邱矩平.林苗.吴桂生.马振龙仿生智能算法的比较分析[期刊论文]-福建电脑 2009(1)18.野莹莹.付丽君.程立英基于MATLAB的蚁群算法仿真研究[期刊论文]-装备制造技术 2008(11)19.于红斌.李孝安基于分区策略的蚂蚁算法[期刊论文]-微处理机 2007(3)20.陈建良.朱伟兴蚁群算法优化模糊规则[期刊论文]-计算机工程与应用 2007(5)21.杨海.王洪国.侯鲁男.孙向群混沌蚁群算法及其在智能交通中的应用[期刊论文]-成都大学学报（自然科学版） 2007(4)22.付宇.肖健梅动态自适应蚁群算法求解TSP问题[期刊论文]-计算机辅助工程 2006(4)23.詹士昌.徐婕用于多维函数优化的蚁群算法[期刊论文]-应用基础与工程科学学报 2003(3)24.李虹.孙志毅基于MATLAB的改进型基本蚁群算法[期刊论文]-太原重型机械学院学报 2003(3)25.杨欣斌.孙京诰.黄道一种进化聚类学习新方法[期刊论文]-计算机工程与应用 2003(15)26.陈昌富.谢学斌露天采矿边坡临界滑动面搜索蚁群算法研究[期刊论文]-湘潭矿业学院学报 2002(1)27.魏平.熊伟清用于一般函数优化的蚁群算法[期刊论文]-宁波大学学报(理工版) 2001(4)28.程艳燕蚁群算法基本原理及其应用综述[期刊论文]-科技创业月刊 2011(4)29.赵义飞.高锦宏.刘亚平.哈亮基于蚁群优化神经网络的故障诊断[期刊论文]-北京信息科技大学学报(自然科学版) 2010(2)30.曾强.杨育.王小磊.赵川大型工程项目任务多目标优化调度方法[期刊论文]-计算机工程与应用 2010(24)31.楼小明一种改进的自适应蚁群算法求解TSP问题[期刊论文]-黑龙江科技信息 2009(24)32.荚恒松.毛力基于群体分类的自适应蚁群算法[期刊论文]-计算机工程与设计 2007(15)33.郭立俊.余晓芬蚁群算法在系留气球PID控制中的研究与应用[期刊论文]-计量与测试技术 2007(12)34.贺建民.闵锐多Agent系统中蚁群算法的设计与实现[期刊论文]-微电子学与计算机 2006(10)35.张军英.敖磊.贾江涛.高琳求解TSP问题的改进蚁群算法[期刊论文]-西安电子科技大学学报（自然科学版）2005(5)36.詹士昌.徐婕蚁群算法在水位流量关系拟合中的应用[期刊论文]-杭州师范学院学报（自然科学版） 2005(2)37.王一清.宋爱国.黄惟一基于Bayes决策的蚁群优化算法[期刊论文]-东南大学学报（自然科学版） 2005(4)38.卢辉斌.范庆辉.贾兴伟一种改进的自适应蚁群算法[期刊论文]-计算机工程与设计 2005(11)39.林海波蚁群算法及其应用研究[学位论文]硕士 200540.孙京诰.李秋艳.杨欣斌.黄道基于蚁群算法的故障识别[期刊论文]-华东理工大学学报(自然科学版) 2004(2)41.张华.王秀坤.孙焘蚁群算法在考试安排中的应用[期刊论文]-计算机工程与设计 2003(12)42.冯佳.张晓晞蚁群算法在游园最优路径选择上的应用[期刊论文]-北京联合大学学报（自然科学版） 2010(2)43.高峰.武睿.刘南平基于自适应蚁群算法的无线传感器网络能量优化[期刊论文]-河北工业大学学报 2010(6)44.张友华.乐毅.辜丽川.王超优选参数的蚁群算法实现物流路径优化[期刊论文]-计算机技术与发展 2009(3)45.李国宁.凌卫新基于模拟退火的动态蚁群算法求解TSP[期刊论文]-科学技术与工程 2009(11)46.赵雪花.黄强.吴建华蚁群聚类在径流影响因素时间序列分析中的应用[期刊论文]-水力发电 2008(2)47.徐纪锋.张开旺.王晓原基于自适应蚁群算法的最短路径搜索方法研究[期刊论文]-中国科技信息 2008(23)48.胡宏梅.董恩清基于蚁群聚类的码书设计[期刊论文]-苏州大学学报（工科版） 2007(2)49.詹士昌.徐婕.吴俊蚁群算法中有关算法参数的最优选择[期刊论文]-科技通报 2003(5)50.李小珂.韩璞.刘丽.李志涛基于蚁群算法的PID参数寻优[期刊论文]-计算机仿真 2003(z1)51.高尚.钟娟.莫述军连续优化问题的蚁群算法研究[期刊论文]-微机发展 2003(1)52.李艳君.吴铁军连续空间优化问题的自适应蚁群系统算法[期刊论文]-模式识别与人工智能 2001(4)53.黄樟灿.吴方才.胡晓林基于信息素的整数规划的演化求解[期刊论文]-计算机应用研究 2001(7)54.韩芳.邢晓哲.方婷婷.王成儒融合鱼群和微分进化的蚁群算法的无功优化[期刊论文]-黑龙江电力 2011(2)55.郭崇慧.谷超.江贺求解旅行商问题的一种改进粒子群算法[期刊论文]-运筹与管理 2010(5)56.周燕霞.孙建伶一种基于路径权重均衡的蚁群算法[期刊论文]-工业控制计算机 2008(10)57.张统华.鹿晓阳群体智能优化算法的研究进展与展望[期刊论文]-山西建筑 2007(1)58.何定润.刘晓云.陈东义基于可穿戴计算机电源管理的蚁群算法[期刊论文]-电子科技大学学报 2007(2)59.冯登超.杨兆选.乔晓军基于改进型蚁群算法和Gauss-Markov随机场的植物病斑自适应分割[期刊论文]-沈阳农业大学学报 2007(3)60.余建军.孙树栋.褚崴.牛刚刚自适应蚁群算法及其在多约束多目标柔性Job-Shop调度中的应用[期刊论文]-数学的实践与认识 2007(17)61.蔡国伟.张言滨.孙铭泽.辛鹏.王继松基于蚁群最优算法的配电网重构[期刊论文]-东北电力大学学报 2007(4)62.邓小波.曹聪聪.龙伦海.康耀红蚁群算法搜索熵研究[期刊论文]-海南大学学报（自然科学版） 2007(4)63.吴靓.何清华.黄志雄.邹湘伏基于蚁群算法的多机器人集中协调式路径规划[期刊论文]-机器人技术与应用2006(3)64.张志民.张小娟.李明华.胡小兵一种引入奖励与惩罚机制的蚁群算法[期刊论文]-计算机仿真 2006(7)65.詹士昌.徐婕蚁群算法在马斯京根模型参数估计中的应用[期刊论文]-自然灾害学报 2005(5)66.朱树人.匡芳君.王艳华基于粒度原理的蚁群聚类算法[期刊论文]-计算机工程 2005(23)67.刘士新.宋健海.唐加福蚁群最优化--模型、算法及应用综述[期刊论文]-系统工程学报 2004(5)68.李茂军.罗安.童调生人工免疫算法及其应用研究[期刊论文]-控制理论与应用 2004(2)69.汤放奇.李茂军.罗安人工免疫算法的全局收敛性分析[期刊论文]-长沙电力学院学报(自然科学版) 2004(3)70.杨勇.宋晓峰.王建飞.胡上序蚁群算法求解连续空间优化问题[期刊论文]-控制与决策 2003(5)71.张宗永.孙静.谭家华蚁群算法的改进及其应用[期刊论文]-上海交通大学学报 2002(11)72.徐宁.李春光.张健.虞厥邦几种现代优化算法的比较研究[期刊论文]-系统工程与电子技术 2002(12)73.姜学鹏.洪贝.曹耀钦基于证据理论决策的蚁群优化算法[期刊论文]-计算机技术与发展 2009(8)74.朱百成.周绍梅.刘欣沂一种具有动态自适应特征的改进的蚁群优化策略[期刊论文]-现代计算机（专业版）2009(12)。
蚁群算法及其在移动机器人路径规划中的应用剖析蚁群算法（Ant Colony algorithm）是一种模拟蚂蚁行为的启发式优化算法，其主要应用于解决组合优化问题，特别是在路径规划问题中的应用较为突出。
蚁群算法的基本原理是基于蚂蚁在寻找食物时的行为规律，当一只蚂蚁找到食物后，会释放一种称为信息素的物质，同时返回巢穴。
其他蚂蚁会根据信息素的浓度来选择路径，浓度高的路径被选择的概率较大。
当蚂蚁返回巢穴时，会根据所选择路径上的信息素浓度来增加信息素的浓度，从而在路径上留下更多的信息素。
随着时间的推移，信息素浓度逐渐增加，最终蚂蚁群体会逐渐聚集在较优的路径上。
移动机器人路径规划是指根据机器人的起点和终点，找到一条最优的路径。
在移动机器人路径规划中，蚁群算法可以解决多目标、多约束的路径规划问题。
下面将从问题建模、蚁群算法实现、实际应用等方面对蚁群算法在移动机器人路径规划中的应用进行剖析。
首先，对问题进行建模。
在移动机器人路径规划中，路径可以表示为有向图，图的节点表示机器人可以到达的位置，边表示连接两个位置的路径。
节点之间的距离可以是直线距离、时间、能耗等。
起始节点表示机器人的起点，终止节点表示机器人的目标。
路径规划的目标是找到一条从起始节点到终止节点的最短路径，同时尽可能满足约束条件。
其次，实现蚁群算法。
蚁群算法包括初始化信息素、蚂蚁的移动、信息素更新等步骤。
初始化信息素是指在路径上的每条边上设置初始信息素的浓度。
蚂蚁的移动过程中，每只蚂蚁根据信息素浓度和启发式函数来选择下一步移动的节点。
启发式函数可以根据节点和目标节点的距离、路径上信息素的浓度等因素来计算。
当蚂蚁到达终点后，根据蚂蚁的路径长度来更新路径上的信息素浓度，即路径长度越短的蚂蚁路径上的信息素浓度越高。
同时，为了防止信息素过快蒸发，可以引入信息素的挥发系数。
蚂蚁算法一般通过多次迭代来寻找最优的路径。
最后，应用蚁群算法进行路径规划。
蚁群算法在移动机器人路径规划中可以实现多目标、多约束的优化。
基于智能蚂蚁的自适应路径选择方法魏志华，黄孝伦武汉理工大学计算机科学与技术学院，武汉（430070）E-mail：hxiaolandy@摘要：本文给出了一种基于智能蚂蚁的自适应路径选择方法，阐述了智能蚂蚁在进行路径选择时的交互过程。
通过智能蚂蚁的作用使的交通需求在路网中得到合理分配，路网状态趋于通畅的最佳状态。
关键词: Agent;智能蚂蚁;路径诱导中图分类号: TP301. 6 文献标识码:A1. 引言交通是当今信息化社会的三大支柱产业之一，是经济和社会发展的基础，是社会中人流、物流、资金流和信息流流动的主要渠道。
作为现代国民经济中的一个重要组成部分，良好交通运输系统对于维持经济的健康持续发展，保证人民的生活质量和安全，以及生态环境污染的控制方面等都起着举足轻重的作用。
交通系统本身具有明显的流动性，人流、车流、信息流在交通系统中不断地运动。
利用ITS[1]（Intelligent Transporttation System）的各种方式提高现有交通资源的利用率，使交通流的分布更加合理，动态路径诱导就是一个重要手段。
基于Agent[2]的智能交通系统模型，为智能交通管理和诱导系统的研究提供了一个新的思路和方向。
将Agent技术应用于交通领域以成为热点，不少学者作出了很多的研究，并取得了一定的研究成果，为后续的研究奠定了基础。
目前提出的基于Agent技术的构建思路[3]是将整个系统看作是一个大规模和粗粒度的Agent系统，整个系统由车辆Agent、路段Agent 和交通灯Agent等构成，为实现系统的优化目标，各个Agent相互交互，从而共同完成目标。
然而，实际的应用系统还没有，各Agent的建模[4]，多个Agent的交互等还处于研究阶段。
本文在一种基于Agent的路径诱导系统的基础上，提出了基于智能蚂蚁的自适应路径选择方法。
2. 自适应方法的提出基于智能蚂蚁的自适应控制的动态路径选择方法的基本思想就是利用智能蚂蚁，基于路径表来完成全局信息的刷新计算。
通过周期性地计算包含的全局信息，以分布的形式做少量的计算来刷新全局路径选择信息，影响交通需求在路网中的分配，使路网状态趋于通畅的最佳状态。
本文中的路段对应的是每个路段Agent。
智能蚂蚁由每个路段生成，并向其他路段移动。
路段维护和更新本地交通路网的路径表。
为了不耗费了大量路段资源，路段不保存明确的交通路网拓扑结构。
本算法虽然没有在路段中保存显式的交通路网的拓扑结构，但拓扑结构为路段发出的智能蚂蚁感知，因为它们需要保存车辆从出发点到目的地的所有经过路段的标识。
由这种方法得出的交通路网拓扑图能反应出最新的交通路网的拓扑结构，由此选择的路径是符合实时交通状况的。
本算法的基本思想是在源路段向目的路段发送智能蚂蚁，直到找到满足要求的路径，并尽可能使路网交通流处于拥塞程度最小状态。
3. 智能蚂蚁的描述智能蚂蚁与蚂蚁算法[5]中普通蚂蚁有相似之处，也具有许多不同之处。
智能蚂蚁与普通蚂蚁一样具有寻路功能，寻找的也是最短路径。
两者具有相同的机制，即正反溃机制。
智能蚂蚁在寻路过程中依靠吸引子与其他的智能蚂蚁进行间接通讯，通过吸引子来寻找最短路径。
吸引子与普通蚂蚁使用的信息素类似。
区别于与普通蚂蚁的是：智能蚂蚁是一个具有堆栈的与群体合作的个体。
结构如图1。
路段 1 行程时间1 。
路段 n 行程时间 n 图1智能蚂蚁的堆栈结构路段是智能蚂蚁的产生地、中间节点和目的地。
每个路段负责维护和更新的数据在上一章路段 一节中介绍过。
针对本章采用的基于智能蚂蚁的自适应控制的动态路径选择方法，每个路段负责维护和更新的数据还包含一张重要的交通路网路径表如图所示，它是用于进行路径选择的信息，作为从本路段到其他各个路段通行流量的一个自适应模型。
所有的智能蚂蚁仅在路段之间移动，智能蚂蚁以一种间接的方式进行通信：通过读写每个交通路网中路段上的特定的数据表来完成智能蚂蚁与路段间的信息交互。
路径表（如图 2）中所包含的是针对不同目的路段的相邻路段吸引子，其中ij p 为针对不同目的路段的相邻路段吸引子，l 表示与某个路段相邻的路段的个数，n 表示路网中所有路段的个数。
在路径表中，不同的目的路段ｄ和每一个不同的相邻路段ｎ都有一个吸引子与之相对应，该吸引子表示当目的路段是ｄ时选取相邻路段作为行车路线的下一个选择的比值。
路段ｋ将根据车辆的不同目的路段，依据此值为其选择下一个行程路段。
我们可以综合考虑到流量平衡的原则，充分利用交通资源，使交通需求合理分配在路网中，使路网状态趋于通畅的最佳状态，同时，为每个车辆提供最佳行使路径。
11p12p 。
l p 1 21p22p 。
l p 2 。
。
。
1n p 2n p。
nl p 图2 路径表路径表中的吸引子给出了以某个路段为目的节点时选择下一路段的比值，其值会按照某种规则周期性地刷新，公式给出了在路段 u 中选择到目的路段ｄ的相邻路段 v 的吸引子。
()()()∑∈=u l d uv d u v u p ,,ττ ()v u ,τ为选择路段ｖ为下一路段吸引强度；()u l 为与路段ｕ 直接相连的所有相邻路段的集合。
uv p 的刷新是是在智能蚂蚁到达目的地后，往回返送消息时进行的刷新工作。
当智能蚂蚁到达目的地后，如果路段u 、v 被此行车路径计划选中。
当在路段u 选择的下一个相邻路段为v 时，路段u 上路径表中（ｕ，ｖ）的吸引度按如下方式刷新。
()()()()v u v u v u ,,1,τστρτ∆×+−←其中ρ 是吸引度减弱的强度参数，取值范围是(０１)，引入参数ρ是为了有效地模拟吸引强度的挥发过程，避免吸引度无限制地累加，同时，使得空闲的路段比繁忙或拥挤的路段具有更强的的吸引性； ()()v u T v u ,1,=∆τ，表示吸引强度的增量，其中T(u,v)为选择路段ｖ为下一路段时到达路段m 的行程时间，它的值就是根据路段的实时状况由路段获得的。
吸引强度的增加与T(u,v)成反比，就是说，动态行程时间短的路段对车辆更有吸引力。
刷新公式根据路段的动态行程时间动态地调整路段上的吸引强度。
当动态行程时间增大时，路段上的吸引强度处于挥发状态，这时随着路段ｖ动态行程时间的增大，路段的吸引强度随之减少。
当路段ｖ因交通事故或交通阻塞被中断时，吸引强度变为零。
当路段ｖ排除交通事故或交通阻塞，恢复通行能力后，随着路段ｖ动态行程时间的减少，路段的吸引强度随之增加。
刷新公式的目的是为了利用动态行程时间少的路段，使它具有较强的吸引强度，从而诱导车辆在通畅的路径上行驶。
在每一个中间路段h ，在以节点m 为目的地的,根据选择参数p ′从相邻节点中选择一个节点 ｎ作为下一个转发节点。
选择参数p ′将考虑路径表中的吸引子Ｐ和与路段h 相邻的路段的饱和度。
饱和度的引入是为了避免路段拥塞的发生，当路段处于不甚畅通状态时，如果经过此路段的整个行驶路径的行程时间比其它的行驶路径的行程时间短，那么此时此路段的吸引度较大，智能蚂蚁会优先选择这个路段，这样就会引起车辆在此路段产生严重的阻塞。
()σθθs b p a p n l i i ×⎟⎟⎟⎠⎞⎜⎜⎜⎝⎛−×+×=′∑∈1 a,b 是是决定两者相对重要性的参数；θ是与h 相邻路段的饱和度；s 是路段u 距离h 的长度，它表示距离高饱和度路段的路径长度，当距离越远时，高饱和路段对路径选择的影响不大，这是针对长距离路径选择设置的参数；σ是表示s 的相关性参数。
路径表的吸引子p 是考虑以行程时间为路阻得到的一个值，由于路阻的动态变化，p 值具有一定的偏差。
p ′反映出了行驶路径的最优的特性和路段交通状况的实时状态，给出了一个实时的与路段交通状况有关的量化值。
对交通状况的分析是对将来的交通状况的一种预测，根据p ′的公式可以看到，智能蚂蚁选择路径的策略是建立在与实时预测相结合的基础上的，是一个符合交通路网特性的策略。
4. 算法的详细描述在每一个路段u 每隔t ∆（t ∆远小于车辆到达路段m 的时间）生成一个目的路段为m 的智能蚂蚁考查交通路网的交通状况，搜索一条到m 的行程时间最短的路径。
在智能蚂蚁向着目的路段m 移动的过程中，它将保存所经过的路段地址和所经历的行程时间在堆栈中。
每一个被访问的路段ｋ的地址和从路段u 到路段 ｋ所经历各个路段的行程时间会被压入智能蚂蚁的堆栈，随着智能蚂蚁继续移向一个路段，直至目的路段m ，堆栈将保存完整路径的相关信息。
在智能蚂蚁移向一个路段时，根据由路径表中的吸引子修正过的p′选择具有最大概率值的邻接路段作为智能蚂蚁移动的下一个路段节点，如果存在多个最大的p′，说明两条路径的行驶代价相近，就在其中随机地选取一个。
当某路段发生路障或拥塞时，经过此路段的智能蚂蚁发现行程时间、饱和度的增加。
智能蚂蚁会根据p′值的变化寻找新的路径，以便车辆能及时修改行车路径，选择行程时间最短的路径。
如果路段k只有唯一一个相邻路段，那么智能蚂蚁会沿原路径返回，以便在路段k的上游路段中有重新选择新的路径的机会。
当遇到环路时，简单地终止智能蚂蚁，不需要复杂的控制，避免搜索选择的复杂性。
当智能蚂蚁到达了目的路段m后，对堆栈进行处理，根据堆栈的信息，向智能蚂蚁的行程中所经过的各个路段发送更新消息，然后此智能蚂蚁死亡。
所发送的消息包含着用于刷新各路段路径表最新信息。
当路段接收到此消息后，会依据其中的信息来刷新路径表中的信息。
从上面对算法的讨论我们可以看出，基于智能蚂蚁的自适应控制的动态路径选择方法是一个分布式的路径选择方法。
路网中的每个路段都是基于全局的路径选择信息，依赖于路段的行程时间，同时，智能蚂蚁结合对路网的预测，来搜索新的路径，达到了分布式自适应的路径选择的目的。
5. 结论本文提出的基于智能蚂蚁的自适应控制的动态路径选择方法的创新之处：以智能蚂蚁技术实现动态路径选择，引进了蚂蚁算法所具有的适合分布式计算的优点，符合交通系统的分布式特性．在各个中间路段，智能蚂蚁依据路段中路径表自主的选择下一个路段，这是智能蚂蚁所特有的自主性和主动性的体现，它使交通路网达到交通平衡状态，使各路段达到通畅，实现了诱导系统的目的。
各个智能蚂蚁之间、智能蚂蚁和路段之间通过间接或直接的通信方式进行协调工作，体现了分布式环境下的关键特性——社会性。
运用计算机科学等现代的科技手段来缓解日益严峻的交通压力，已成为目前研究的重点。
优秀的路径选择方法能使交通路网系统达到最优，使人、车、路协调统一，为ITS的实现奠定基础。
参考文献[1]国家智能交通系统工程技术研究中心.中国智能交通系统文集[C].北京: 中国铁道出版社, 2006,4.[2]何炎祥,陈莘萌.Agent和多Agent系统的设计和应用[M].武汉：武汉大学出版社,2001.[3]路海明,卢增祥.信息Agent的研究开发现状[J].计算机科学,199,26（12）.[4]苑泉乐,孟庆春,殷波,等.Agent在交通信号控制中的应用设计[J].计算机应用研究,2002,（增刊）.[5]李士勇.蚁群算法及应用[m]. 哈尔滨;哈尔滨工业大学出版社, 2004,9.Intelligent Ant-based Adaptive Path Selection MethodWei Zhihua, Huang XiaolunSchool of Computer Science and Technology, WUT, Wuhan（430070）AbstractThis paper presents a kind of intelligent ant -based adaptive path selection methods. The interaction processes when the intelligent ant chose the path are described. Through the role of the intelligent ant , traffic demand in the road network access a reasonable allocation. Road network is in the best state tends to smooth state.Keywords: Agent; Intelligent Ant; Path Guidance作者简介：魏志华（1964-），男，湖北孝感，副教授，研究方向：人工智能；黄孝伦（1977-），男，湖北，研究方向：智能计算。
