蚁群算法中最优参数设置研究
- 格式：pdf
- 大小：242.73 KB
- 文档页数：2
文档推荐
-
蚁群算法详细讲解页数:80
-
蚁群算法研究现状及发展页数:10
-
蚁群算法研究意义页数:2
-
蚁群算法研究综述页数:8
-
基于蚁群算法的路径最优研究___毕业答辩页数:26
-
研究背景——蚁群算法数学模型页数:27
-
关于蚁群算法的研究页数:2
下载文档原格式
合集下载
利用试验设计方法优化蚁群算法参数问题
２ ＡＣＳ ・
２ １ Ａ Ｓ状态 转移 规则 ． Ｃ
由等 式 （ ） （ ） 成 的状态 转 移规 则 称 为伪 １ 和 ２组 随机 比例规 则 。参数 ｑ 决 定 了开采 与 探测 的 相对 。 重 要性 ： 次在 城市 ｒ 的 蚂蚁 必须 选择 移 动 到另 每 上
一
个城 市 Ｓ ， 就生 成 一 个 随 机数 ０ｓｇ 。 当 时 它 ｓ１
第３ ５卷
２ ３ Ａ Ｓ局部信 息素 更新 规则 ． Ｃ 在构建 Ｔ Ｐ一 个 解 （ 程 ） 间 ， 蚁访 问 完 Ｓ 旅 期 蚂
１ ，０ ， 因素 Ｅ： ０ ３０５，． ，． ］ ５２ ］ 和 ｐ＝［． ，． ０７０ ９ 。 Ａ Ｓ算 法 中 ５个 未 确 定 性 的参 数 中，虽 然 我 Ｃ 们对 因素之间的交互作用了解甚少 ， 但是根据算法 中参 数 的使 用 情 况 ， 互 作 用 Ａ） Ａ ×Ｃ Ｂ ×Ｃ 交 （ 、 、 很有 可 能存在 。
是根据等式 （ ２ 给 出的概率分 布进行选 择的 １— ）
收 到本 文时 间：０ ６年 １ ２日 ２０ １月
作者简介 ： 吴志寒 ， ， 男 助教。研究 方向 ： 计算方法 与数理统计 。
维普资讯
吴志寒 ： 利用 试验设计 方法优化蚁群算法参数问题
ｑ ｑ 时根 据 等式 （ ） 择 一 条 最好 的边 （ － ＜ 。 １选 开采 ） ， 否则 就根 据 等式 （ ） 择一条 边 （ ２选 探测 ） 。 ２２ Ａ Ｓ全 局信 息素 更新 规 则 ． Ｃ
在 Ａ Ｓ中只有 全局最优 蚂蚁 才能 更新信 息 Ｃ 素。结合伪随机比例规则 ， 这个选择使得搜索更有 指导性 ： 蚂蚁在当前迭代建立的最优旅程的邻域 内 进行搜索 。在所有蚂蚁完成它们 的旅程之后执行 全局更新。信息素根据 （ ） ３ 中的全局更新规则 获
２ １ Ａ Ｓ状态 转移 规则 ． Ｃ
由等 式 （ ） （ ） 成 的状态 转 移规 则 称 为伪 １ 和 ２组 随机 比例规 则 。参数 ｑ 决 定 了开采 与 探测 的 相对 。 重 要性 ： 次在 城市 ｒ 的 蚂蚁 必须 选择 移 动 到另 每 上
一
个城 市 Ｓ ， 就生 成 一 个 随 机数 ０ｓｇ 。 当 时 它 ｓ１
第３ ５卷
２ ３ Ａ Ｓ局部信 息素 更新 规则 ． Ｃ 在构建 Ｔ Ｐ一 个 解 （ 程 ） 间 ， 蚁访 问 完 Ｓ 旅 期 蚂
１ ，０ ， 因素 Ｅ： ０ ３０５，． ，． ］ ５２ ］ 和 ｐ＝［． ，． ０７０ ９ 。 Ａ Ｓ算 法 中 ５个 未 确 定 性 的参 数 中，虽 然 我 Ｃ 们对 因素之间的交互作用了解甚少 ， 但是根据算法 中参 数 的使 用 情 况 ， 互 作 用 Ａ） Ａ ×Ｃ Ｂ ×Ｃ 交 （ 、 、 很有 可 能存在 。
是根据等式 （ ２ 给 出的概率分 布进行选 择的 １— ）
收 到本 文时 间：０ ６年 １ ２日 ２０ １月
作者简介 ： 吴志寒 ， ， 男 助教。研究 方向 ： 计算方法 与数理统计 。
维普资讯
吴志寒 ： 利用 试验设计 方法优化蚁群算法参数问题
ｑ ｑ 时根 据 等式 （ ） 择 一 条 最好 的边 （ － ＜ 。 １选 开采 ） ， 否则 就根 据 等式 （ ） 择一条 边 （ ２选 探测 ） 。 ２２ Ａ Ｓ全 局信 息素 更新 规 则 ． Ｃ
在 Ａ Ｓ中只有 全局最优 蚂蚁 才能 更新信 息 Ｃ 素。结合伪随机比例规则 ， 这个选择使得搜索更有 指导性 ： 蚂蚁在当前迭代建立的最优旅程的邻域 内 进行搜索 。在所有蚂蚁完成它们 的旅程之后执行 全局更新。信息素根据 （ ） ３ 中的全局更新规则 获
蚁群算法在PID控制器参数优化中的应用研究
摘要 ：Ｉ ＰＤ参数优化一直是控制工程领域研究 的热点 ， 针对提高系统的稳定性和 响应特性 ， 传统的 ＰＤ控制参数多采用试验 Ｉ
的 方 式进 行 优 化 ， 往 费时 而 且 难 以 达 到较 好 的 控 制效 果 。为 了 解决 控 制 参 数 优 化 ， 善 系统 性 能 ， 出 一 种 新 型 的 蚁 群 算 往 改 提 法 的 ＰＤ参 数 优 化 策 略 ， 蚁 群 算 法 能快 速 稳 定 找 到 最优 参 数 解 的特 点 与 ＰＤ精 确 调 节 的 特 点 有 机 结 合 起 来 ， 控 制 过 程 Ｉ 将 Ｉ 在 中将 ＰＤ参 数 作 为 蚁群 中蚂 蚁 ， Ｉ 采用 控 制 绝 对 误差 积 分 函数 作 为 优 化 目标 ， 控 制 过 程 中动 态 调 整 ＰＤ的 ３个 控 制 参 数 ， 在 Ｉ 可 以进 行 ＰＤ控 制参 数 的实 时 调 节 ， 后 将 优 化 方 案应 用 于 中 央 空 调 温 度 控 制 系 统 。仿 真 应 用 研 究 表 明 ， 法 比传 统 的 ＰＤ Ｉ 最 方 Ｉ 控 制 有 更 强 的灵 活性 、 应 性 和 鲁棒 性 ， 有效 提 高系 统 控 制精 度 ， 证 了应 用 的 有效 性 。 适 可 验
ａ ｄ ｔ ｕ ｅｓ ＰＩ ｐａａ ｔｒ ｎ ｌｎ ． Ｔｈ ｉ ｌ ｔ ｅ ｕｔ ｈ ｗ ｈ ｔｉ ａ ｍｐ ｏ ｅｔ ｅ ｐ ｅ ｉｉｎ ｏ ｒ ｐ ｒｉｎｉｇ， ｎ ｈ ｓ ｓ ｔ Ｄ ｒ ｍｅｅ ｓ ｏ ｉ ｅ ｅ ｓｍｕ ａｉ ｒｓ ｌｓｓ ｏ ｔ ａ ｔｃ ｎ ｉ ｒ ｖ ｈ ｒ ｃ ｓｏ ｆｐ ｏ ｏ ｔ ｎ ｎｇ ｏ ａ ｄ ｉ ｒ ｅ ｉｌ ｎ ｓｍｏ ｅ ｆ ｘｂ ｅ，ａ ａ ｔ ｂｅ ａ ｄ ｒ ｂ ｓ ｈ ｎ ｏｄ ｆｓ ｏ Ｄ ｏ ｔｏ ． ｌ ｄ ｐ ａ ｌ ｎ ｏ ｕ ｔｔ ａ ｌ ａ ｈｉｎ ＰＩ ｃ ｎｒ １ ＫＥＹＷ Ｏ ＲＤＳ ： ｏｏ ｌ ｏ ｔ ＰＩ ｃ ｎｔｏｌｒ； ｒ ｍｅ ｅｓ ｏ ｔｍｉａｉｎ； ｍｕ ａｉｎ Ａｎｔｃ ｌｎｙａ ｇ ｒ ｈ； Ｄ ｏ ｒ ｌ ｉ ｅ Ｐａａ ｔｒ ｐｉ ｚ ｔ ｏ Ｓｉ ｌ ｔ ｏ
《蚁群算法的研究及其在路径寻优中的应用》范文
《蚁群算法的研究及其在路径寻优中的应用》篇一蚁群算法研究及其在路径寻优中的应用一、引言蚁群算法是一种模拟自然界中蚂蚁觅食行为的优化算法，其灵感来源于蚂蚁在寻找食物过程中所展现出的群体智能和寻优能力。
该算法自提出以来，在诸多领域得到了广泛的应用，尤其在路径寻优问题上表现出色。
本文将首先介绍蚁群算法的基本原理，然后探讨其在路径寻优中的应用，并分析其优势与挑战。
二、蚁群算法的基本原理蚁群算法是一种模拟蚂蚁觅食行为的仿生优化算法，通过模拟蚂蚁在寻找食物过程中释放信息素并相互交流的行为，实现寻优过程。
其主要特点包括：1. 分布式计算：蚁群算法采用分布式计算方式，使得算法具有较强的鲁棒性和适应性。
2. 正反馈机制：蚂蚁在路径上释放的信息素会吸引更多蚂蚁选择该路径，形成正反馈机制，有助于找到最优解。
3. 多路径搜索：蚁群算法允许多条路径同时搜索，提高了算法的搜索效率。
三、蚁群算法在路径寻优中的应用路径寻优是蚁群算法的一个重要应用领域，尤其是在交通物流、机器人路径规划等方面。
以下是蚁群算法在路径寻优中的具体应用：1. 交通物流路径优化：蚁群算法可以用于解决物流配送中的路径优化问题，通过模拟蚂蚁的觅食行为，找到最优的配送路径，提高物流效率。
2. 机器人路径规划：在机器人路径规划中，蚁群算法可以用于指导机器人从起点到终点的最优路径选择，实现机器人的自主导航。
3. 电力网络优化：蚁群算法还可以用于电力网络的路径优化，如输电线路的规划、配电网络的优化等。
四、蚁群算法的优势与挑战（一）优势1. 自组织性：蚁群算法具有自组织性，能够在无中央控制的情况下实现群体的协同寻优。
2. 鲁棒性强：蚁群算法对初始解的依赖性较小，具有较强的鲁棒性。
3. 适用于多约束问题：蚁群算法可以处理多种约束条件下的路径寻优问题。
（二）挑战1. 计算复杂度高：蚁群算法的计算复杂度较高，对于大规模问题可能需要较长的计算时间。
2. 参数设置问题：蚁群算法中的参数设置对算法性能有较大影响，如何合理设置参数是一个挑战。
蚁群算法在最优路径选择中的改进及应用
c law enforcement. Therefore, c congestion was ciency of the improved algorithm with the Dijkstra algorithm. Thus, it could simulate the optimal driving path with better performance, which was targeted and innovative.关键词：蚁群算法;实际路况;最优路径Key words ：ant colony optimization; actual road conditions; optimal path文／张俊豪蚁群算法在最优路径选择中的改进及应用0 引言在国务院发布的《国家中长期科学和技术发展规划纲要（2006-2020年）》中，将交通拥堵问题列为发展现代综合交通体系亟待解决的“三大热点问题”之一。
智能交通系统作为“互联网+交通”的产物，利用先进的科学技术对车、路、人、物进行统一的管控、调配，成为了当下各国缓解交通拥堵的一个重要途径。
路径寻优是智能交通系统的一个核心研究内容，可以有效的提升交通运输效率，减少事故发生频率，降低对城市空气的污染以及提升交通警察的执法效率等。
最著名的路径规划算法是Dijkstra算法和Floyd算法，Dijkstra算法能够在有向加权网络中计算得到某一节点到其他任何节点的最短路径；Floyd算法也称查点法，该算法和Dijkstra算法相似，主要利用的是动态规划思想，寻找加权图中多源节点的最短路径。
近些年，最优路径的研究主要集中以下几个方面：（1）基于A*算法的路径寻优。
A*算法作为一种重要的路径寻优算法，其在诸多领域内都得到了应用。
随着科技的发展，A*算法主要运用于人工智能领域，特别是游戏行业，在游戏中，A*算法旨在找到一条代价（燃料、时间、距离、装备、金钱等）最小化的路径，A*算法通过启发式函数引导自己，具体的搜索过程由函数值来决定。
蚁群算法中参数设置对其性能影响的研究
现 计 机 ２１０ ｏ 代算 ０ ． ２５
集 合 ； ａｕ 表 示 蚂 蚁 ｋ已 经 走 过 的城 市 集 合 。 经 过 ｎ ｔ ｂ
互 影 响 的强 弱 当要 处 理 的 问题 规 模 比较 大 且 ｐ过 大
个时刻 ， 蚂蚁完成一次周游过程后 ， ｅ 上 的信息素可 边
根 据 （） 进 行 调 整 。 ２式
为：
—
今 已在旅行 商问题 、 件排序 问题 、 工 图着 色问题 、 大规
模 集 成 电路 设 计 、 辆 调 度 问 题 、 载 平 衡 问 题 ， 车 负 以及
网络路 由优化 问题等方面取得了广泛 的应用【 但是 由 ｌ Ｊ 。
于蚁 群算 法 中参 数 众 多 ．各种 参 数值 的设 置 对 蚁 群 算 法 的性 能 影 响很 大 因此 ． 强 蚁 群 算 法 参数 设 置 方 面 加 的研 究 进 而 提 高 蚁 群 算 法 的性 能 ．对 进 一 步 推 广 蚁 群
启发信息， 一般取 （ ＝ ； 表示城市 ｉ ｌ ） 与城市 ｊ 间 之
的 距 离 （√ ｌ２ … ， ） Ｆ （ 表 示 ｔ 刻 在 边 上 残 ｉ ＝ ，， ｎ ； ｆ ） 时
留的信息量 ， 在初 始时刻 Ｆ（ ） ｃｃ常取 为 ０ ； ０ ＝ （ ） 为信 息素的重要程度 ； 为启发信息 的重要程度 ； ｌ ｗ 以＝ ａｏｅ ｌ ｛ ， ，… ， ｝ｆ Ｍ 表示蚂蚁 ｋ １２ ｎ 一ｎ ６ 下一步允许选择的城市
算 法 在各 个 领 域 的应 用 具 有 十 分重 要 的 意义
，
Ｃａｌ 埘 ｌ ｅ Ｄ
１
（） ￡＝
， ［
（） （） ￡ ｔ
（） １
１ 蚁 群 算 法 的基 本 原 理
蚁群算法中有关算法参数的最优选择
蚁群算法中有关算法参数的最优选择1简介蚁群算法是基于观察到蚂蚁在寻找食物时留下的信息素路径而提出的一种启发式搜索算法。
在人工智能领域中，蚁群算法通常用于解决组合优化问题，如旅行商问题、车辆路径问题等。
与其他算法相比，蚁群算法具有高效性和鲁棒性的优点，但也需要合理的参数设置才能保证算法的表现优秀。
2参数选择方法在蚁群算法中，有多个参数需要设置，包括蚂蚁数量、信息素挥发率、信息素增加强度、启发式距离、局部搜索强度等等。
每个参数在算法的执行过程中都有着不同的作用，因此需要通过不断尝试和优化来寻找最优的参数设置。
2.1蚂蚁数量蚂蚁数量是影响算法性能的重要参数之一。
较大的蚂蚁数量可以增加全局搜索的范围，但也会降低算法的收敛速度。
当蚂蚁数量较小时，算法收敛速度快，但容易陷入局部最优解。
通常，对于小规模问题，蚂蚁数量可以设置在50-100左右；对于中等规模问题，蚂蚁数量可以设置在200-300左右；对于大规模问题，则可设置在500-1000左右。
2.2信息素挥发率信息素挥发率是控制信息素挥发的速率的参数，它表示信息素留在路径上的时间长短。
高的挥发率会导致信息素更新太快，使蚂蚁搜索范围受限，而低的挥发率则会让信息素停留过长时间而不能及时更新。
通常，信息素挥发率的取值范围在0.1-0.5之间，但需要根据具体问题进行调整。
对于小规模问题，挥发率可以设置在0.2左右；对于中等规模问题，则可设置在0.3左右；对于大规模问题，则通常需要高一些的挥发率，可以将其设置在0.4-0.5之间。
2.3信息素增加强度信息素增加强度表示信息素更新的强度，它控制着蚂蚁在路径上释放的信息素数量。
在初始阶段，信息素强度较弱，但随着搜索的进行，其强度逐渐增加。
通常，信息素增加强度的取值范围在1-3之间，但也需要根据具体问题进行调整。
对于小规模问题，增加强度可以设置在1左右；对于中等规模问题，则可设置在2左右；对于大规模问题，则通常需要高一些的增加强度，可以将其设置在2-3之间。
蚁群算法中求解参数最优选择分析
蚁群 算 法 中求解 参 数最 优 选 择 分 析
张
学院 计算机系， 长春 １￣ ２ ３ ）
毅 ，梁艳春
（． １吉林大学 计算机科学与技术学院 国家教育部符号计 算与知识工程重点实验室， 长春 １０ １ ； ． ３０２ ２ 吉林工商
摘
要 ：通过理论分析和一系列的对比模拟 实验研究， 来探讨蚁群算法中参数 的最佳设定原则， 以利于蚁群算
下 的信息素 的数量 ， 其计算公式为
，
Ｑ Ｌ ．ｋｔ ｎ ＇ Ｅ ｅｇ ｉ ／ ｆ － ａ ｔ ＳＳ ｄｅ（ ， ｎｉ ｕ ｈ Ｕ ）ｉ ｔ ｔ ｒ ｓ ｏ
△： ｛ｂｗｅ￡ ｅ ａ ￡， ｒ＝ （ ｔ ｎ ｉ ￡ ｄ ＋ ） ’ 【 ｅｅ ｍ ｎ １
ｏ 。Ｉ ｒ ｉｅ ｔｅｗ ｓ ｌ
维普资讯
第２ 第８ ４卷 期
２０ ０ ７年 ８ 月
计 算 机 应 用 研 究
Ａｐ ｌ ａ ｉ ｎ Ｒｅ ｅ ｒ ｈ ｏ ｍｐ ｔ ｒ ｐ ｉ ｔ ｓ ａ ｃ ｆＣｏ ｕ ｅ ｓ ｃ ｏ
Ｖｏ ． ４ Ｎｏ ８ １２ ． Ａｕ ．２ ０ ｇ ０７
法在 实际 中的应 用和 推广 。
关键词 ： 蚁群算法； 旅行 商问题； 参数
中图分类 号 ：ＴＹ０ ． Ｉ １６ ３ 文献标 志码 ：Ａ 文章编 号 ：１ ０ —６ ５ ２ ０ ） ８ ０ ７ —２ ０ １ ３ ９ （ ０ ７ ０ —０ ０ ０
Ｒｅ ｅ ｒｈ ｏ ｐ ｉ ｌｓ ｌｃｉｎ ｏ ａ ａ ｔｒ ｆａ ｔｃ ｌｎ ｌｏ ｉ ｍ ｓ ａｃ ｆｏ ｔ ｍａ ｅｅ ｔ ｎ ｐ ｒ ｍｅｅ ｓｏ ｎ ｏｏ ｙ ａｇ ｒ ｈ ｏ ｔ
的进展 ， 大量结果 证 明 了算 法 的有效 性及 其在 某些 领域 的优 势 。在蚁群算法成功应用 于各种 优化组合 问题 的同 时， 注 意到该算 法存在 一定 的缺陷 ， 中之一是算法 中选择求解参数 其
蚁群算法参数分析与组合优化设置研究
Ａｂ ｔａ ｔ Ｔｈ ａ ｅ ｎ ｙ ￣ ａ ｄ ｒｓ ａｃ ａ ａ ｔｒ ｏ ｎ ｏ ｏ ｙ ａ ｏ ｔ ｍ，ａ ｈ ａ ｔ ，ｔ ｅ ｐ ｐ ｒ ｇ ￣ ｈ ｅｔ ｓｒ ｃ ： ｅ ｐ ｐ ｒ ａ ａ ｓ ｎ ｅｅ ｒ ｈ ｐ ｒｍｅｅ ｓ ｆ ａ ｔ ｃ ｌｎ ｌ ｒ ｈ ｌ ｇｉ ｔ ｔ ｅ ｓｍｅ ｉ ｍｅ ｈ ａ ｅ ｉ ｅ ｔ ｅ ｂ ｓ
法 性 能 的 目的 。
关键词 ： 蚁群算法； 参数分析 ； 组合优化
中 图 分 类 号 ：Ｐ ９ ． Ｔ ３ ３４ 文献 标 识 码 ： Ａ
Ｐａ ａ ｅ ｅ ｒ ｍ ｔ ｒＡｎａ ｙ ｉ ｎｄ Ｃｏ ｂｉ ｔ ｒ ａ ｔｍ ｉ ａ ｉ ｎ Ｓ ｔｉ ｇ ｆＡｎｔＣｏ ｏ ｙ Ａｌ ｏ ｉｈ ｌ ｓｓａ ｍ ｎａ ｏ ｉ ｌＯｐ ｉ ｚ ｔｏ ｅ ｔｎ ｓｏ ｌ ｎ ｇ ｒ ｔ ｍ
机制等优点 ， 同时也存在计算时间较长， 但 收敛速度慢
等不 足 。
时间内， 越短的路径会被越多的蚂蚁所访问， 该路径上 的信息素的强度也越来越强 ， 因此 ， 后续的蚂蚁选择该 短路径 的概率也 就越大 。 经过一 段时 间间 隔后 ， 所有 的 蚂蚁都将 选择 这条最短 的路径 ， 也就 是说 ， 当蚁巢 与食
１９ 年 意 大 利 学 者 Ｍ．ｏｉ ９１ Ｄ ｒ ｏ等人 通 过 观察 蚂蚁 ｇ
浓度 的高低来 选择 自己的行 动方 向 ，蚂蚁 总会倾 向于
搜索路径的行为 ，提出了一种新型的仿生模拟进化算 法 一蚁 群 算 法 ，并 将 其 应 用 于 经 典 的 旅 行 商 问题
（ ｒｖ ｌ ｇ ａｅｍａ ｒｂｅ Ｔ Ｐ Ｔ ａｅｉ ｌ ｎＰｏ ｌ ｎＳ ｓ ｍ，Ｓ ）中取 得 了很 好 的效
时 间 内 又能 够 重 新 找 到 蚁 巢 与食 物之 间新 的 最 短路 径 。经过观 察发 现 ， 蚁在 寻找食 物 的过 程 中 ， 在 它 蚂 会
法 性 能 的 目的 。
关键词 ： 蚁群算法； 参数分析 ； 组合优化
中 图 分 类 号 ：Ｐ ９ ． Ｔ ３ ３４ 文献 标 识 码 ： Ａ
Ｐａ ａ ｅ ｅ ｒ ｍ ｔ ｒＡｎａ ｙ ｉ ｎｄ Ｃｏ ｂｉ ｔ ｒ ａ ｔｍ ｉ ａ ｉ ｎ Ｓ ｔｉ ｇ ｆＡｎｔＣｏ ｏ ｙ Ａｌ ｏ ｉｈ ｌ ｓｓａ ｍ ｎａ ｏ ｉ ｌＯｐ ｉ ｚ ｔｏ ｅ ｔｎ ｓｏ ｌ ｎ ｇ ｒ ｔ ｍ
机制等优点 ， 同时也存在计算时间较长， 但 收敛速度慢
等不 足 。
时间内， 越短的路径会被越多的蚂蚁所访问， 该路径上 的信息素的强度也越来越强 ， 因此 ， 后续的蚂蚁选择该 短路径 的概率也 就越大 。 经过一 段时 间间 隔后 ， 所有 的 蚂蚁都将 选择 这条最短 的路径 ， 也就 是说 ， 当蚁巢 与食
１９ 年 意 大 利 学 者 Ｍ．ｏｉ ９１ Ｄ ｒ ｏ等人 通 过 观察 蚂蚁 ｇ
浓度 的高低来 选择 自己的行 动方 向 ，蚂蚁 总会倾 向于
搜索路径的行为 ，提出了一种新型的仿生模拟进化算 法 一蚁 群 算 法 ，并 将 其 应 用 于 经 典 的 旅 行 商 问题
（ ｒｖ ｌ ｇ ａｅｍａ ｒｂｅ Ｔ Ｐ Ｔ ａｅｉ ｌ ｎＰｏ ｌ ｎＳ ｓ ｍ，Ｓ ）中取 得 了很 好 的效
时 间 内 又能 够 重 新 找 到 蚁 巢 与食 物之 间新 的 最 短路 径 。经过观 察发 现 ， 蚁在 寻找食 物 的过 程 中 ， 在 它 蚂 会
基于蚁群算法参数的最优选择问题研究
作砉简介
。
］２ １ ：０ ２
－
０ ２
】 ｏ 昔 敏 （ ９８
：６ 海 昌 ） 南文 人 ２
，
第 ２期
黄敏 ： 基于蚁群算法参数 的最优选择问题研究
４ｌ
，
、
ｆ／ ｌｄ
若边 （√ 是 全 局最优 解 的一条 边 ｉ）
，、 ＜
一
【０
若边（， 不属于全局最优解 ｉ）
其中 ｄ 是全局最佳路径 ； 是信息素挥发参数， ｔ ｏ 取值决定了搜索收敛 的速度．
２ 蚁群 算法参 数分析
无论是 Ａ 算法 、 Ｃ 算法、 Ｍ Ｓ ｓ ＡＳ Ｍ Ａ 算法还是其他形式的蚁群算法 ， 蚂蚁数量 ｍ、 信息启发式因子 、 期望 启 发式 因子 和 信息 素残 留参 数 Ｐ都是 影 响算法 的重 要参 数． 如何 选取 这些 参数 的数 值 ， 提 高算 法 的性 能 为
１ 蚁群算法模型及 描述
设 蚂蚁 的数量 （ 蚁群 的规 模 ） ｎ；Ｎ表示节 点 数 ； 为 ｌ Ｔ表示 循 环次 数 ； ， … ， ） 示 节 点 ｉ ｄ （，＝１２， ｎ 表 与节
点 之间的距离 ； ７ 为能见度因子 ； Ｏ ＝ （ 为常数 ） （） １ ７（ ） ｅｅ １ ； ｔ表示 ｔ０＜ ＜ ） （ ｔ Ｔ 时刻边 （， 上 的信 息索浓 ） 度； Ａ和 Ｂ分别 表 示起 始 点 和终点 ； 始 时刻 ， 初 所有 的 ｉ ｎ只蚂 蚁 都集 中在 起 点 Ａ处 ， 并且 赋 予 每 条 边 上 的相 等的信息素浓度为 丁（ ） Ｃ Ｃ为常数） 在蚂蚁的运动过程中 ， ０ ＝ （ ． 根据各条路径上的信息量决定其转移方向．
摘 要： 蚁群算 法是受现实蚂蚁群 体行 为启发 而得 出的一类 仿生 算法 。通过对 蚁群算 法 中影响算 法 性
。
］２ １ ：０ ２
－
０ ２
】 ｏ 昔 敏 （ ９８
：６ 海 昌 ） 南文 人 ２
，
第 ２期
黄敏 ： 基于蚁群算法参数 的最优选择问题研究
４ｌ
，
、
ｆ／ ｌｄ
若边 （√ 是 全 局最优 解 的一条 边 ｉ）
，、 ＜
一
【０
若边（， 不属于全局最优解 ｉ）
其中 ｄ 是全局最佳路径 ； 是信息素挥发参数， ｔ ｏ 取值决定了搜索收敛 的速度．
２ 蚁群 算法参 数分析
无论是 Ａ 算法 、 Ｃ 算法、 Ｍ Ｓ ｓ ＡＳ Ｍ Ａ 算法还是其他形式的蚁群算法 ， 蚂蚁数量 ｍ、 信息启发式因子 、 期望 启 发式 因子 和 信息 素残 留参 数 Ｐ都是 影 响算法 的重 要参 数． 如何 选取 这些 参数 的数 值 ， 提 高算 法 的性 能 为
１ 蚁群算法模型及 描述
设 蚂蚁 的数量 （ 蚁群 的规 模 ） ｎ；Ｎ表示节 点 数 ； 为 ｌ Ｔ表示 循 环次 数 ； ， … ， ） 示 节 点 ｉ ｄ （，＝１２， ｎ 表 与节
点 之间的距离 ； ７ 为能见度因子 ； Ｏ ＝ （ 为常数 ） （） １ ７（ ） ｅｅ １ ； ｔ表示 ｔ０＜ ＜ ） （ ｔ Ｔ 时刻边 （， 上 的信 息索浓 ） 度； Ａ和 Ｂ分别 表 示起 始 点 和终点 ； 始 时刻 ， 初 所有 的 ｉ ｎ只蚂 蚁 都集 中在 起 点 Ａ处 ， 并且 赋 予 每 条 边 上 的相 等的信息素浓度为 丁（ ） Ｃ Ｃ为常数） 在蚂蚁的运动过程中 ， ０ ＝ （ ． 根据各条路径上的信息量决定其转移方向．
摘 要： 蚁群算 法是受现实蚂蚁群 体行 为启发 而得 出的一类 仿生 算法 。通过对 蚁群算 法 中影响算 法 性
蚁群算法中参数设置的研究
（ ｃ ｏ ｌｏ ｅ ｔ ｏ ｅ ｈ ｎ ｃ ｌ Ｓ ｈ ｏ ｆＥｌ ｃ ｒ ｍ ｃ ａ ｉ ａ Ａｕ ｏ ｂ ｌ Ｅｎ ｉ ｅ ｒｎ ，Ｙａ ｔ ｉＵｎ ｖ ｒ ｉｙ ｔ ｍｏ ｉ ｇ ｎ ｅ ｉ ｇ ｅ ｎ ａ ｉ ｅ ｓｔ ，Ｙａ ｔ ｉ２ ４ ０ ，Ｃｈ ｎ ） ｎ ａ ６ ０ ５ ｉａ
Ｖｏ＿ Ｏ ｌ ２２ Ｎ ．１
Ｊｎ ０ ８ ａ ．２ ０
文 章 编 号 ：６ ２ ６ ９ （ ０ ８ ０ — ０ ７ ０ １７ — １ ７２０ ） １ ００ — ５
蚁 群算 法 中参 数 设 置 的研 究
徐 红 梅 ，陈 义 保 加 光 ，王 燕 涛 ，刘
（ 台大 学 机 电汽车 工程 学 院 ，山东 烟 台 ２ ４ ０ ） 烟 ６ ０ ５ 摘 要 ： 群算 法是一种新 的随机优 化算法 ， 蚁 它利 用人工蚂蚁在 其途 经路上 释放 信息 素寻优 ， 体 现 了正反馈 、 分布 式 、 ａ ｅｔ 同性和 并行性 等特 点 ， 多 ｎｎ 协 蚁群算 法 中的各 参数对计 算结果有很大 影 响． 介绍 了蚁群算 法原理和模 型 （ Ｔ Ｐ问题 为例） 对基 本蚁 群算 法参 数 的合 理 选取 进行 了实 以 Ｓ ， 验分 析 ， 出 了算法参数选取 的基本原 则 ， 给 有利 于蚁 群算 法在 优化 问题 中的应用． 关键 词 ： 群算 法 ；信 息素 ；组 合优 化 ；旅 行 商 问题 蚁 中图分类 号 ：Ｔ ３ １ ６ Ｐ ０ ． 文献标 识 码 ：Ａ
维普资讯
第 ２ 卷 第 １ ２ 期
２０ ０ ８年 １月
山 东 理 工 大 学 学 报 （ 然 科 学 版） 自
Ｊ ｕ ｎ ｌ ｆ ｈ ｎ ｏ ｇ Ｕｎ ｖ ｒ ｉ ｆＴｅ ｈ ｏｏ ｙ Ｎａ ｕ ａ Ｓ ｉｎ ｅＥｄ ｔ ｎ ｏ ｒ ａ ｏห้องสมุดไป่ตู้ ａ ｄ ｎ ｉ ｅ ｓｔ ｏ ｃ ｎ ｌ ｇ （ ｔ ｒ ｌ ｃｅ ｃ ｉ ｏ ） Ｓ ｙ ｉ
Ｖｏ＿ Ｏ ｌ ２２ Ｎ ．１
Ｊｎ ０ ８ ａ ．２ ０
文 章 编 号 ：６ ２ ６ ９ （ ０ ８ ０ — ０ ７ ０ １７ — １ ７２０ ） １ ００ — ５
蚁 群算 法 中参 数 设 置 的研 究
徐 红 梅 ，陈 义 保 加 光 ，王 燕 涛 ，刘
（ 台大 学 机 电汽车 工程 学 院 ，山东 烟 台 ２ ４ ０ ） 烟 ６ ０ ５ 摘 要 ： 群算 法是一种新 的随机优 化算法 ， 蚁 它利 用人工蚂蚁在 其途 经路上 释放 信息 素寻优 ， 体 现 了正反馈 、 分布 式 、 ａ ｅｔ 同性和 并行性 等特 点 ， 多 ｎｎ 协 蚁群算 法 中的各 参数对计 算结果有很大 影 响． 介绍 了蚁群算 法原理和模 型 （ Ｔ Ｐ问题 为例） 对基 本蚁 群算 法参 数 的合 理 选取 进行 了实 以 Ｓ ， 验分 析 ， 出 了算法参数选取 的基本原 则 ， 给 有利 于蚁 群算 法在 优化 问题 中的应用． 关键 词 ： 群算 法 ；信 息素 ；组 合优 化 ；旅 行 商 问题 蚁 中图分类 号 ：Ｔ ３ １ ６ Ｐ ０ ． 文献标 识 码 ：Ａ
维普资讯
第 ２ 卷 第 １ ２ 期
２０ ０ ８年 １月
山 东 理 工 大 学 学 报 （ 然 科 学 版） 自
Ｊ ｕ ｎ ｌ ｆ ｈ ｎ ｏ ｇ Ｕｎ ｖ ｒ ｉ ｆＴｅ ｈ ｏｏ ｙ Ｎａ ｕ ａ Ｓ ｉｎ ｅＥｄ ｔ ｎ ｏ ｒ ａ ｏห้องสมุดไป่ตู้ ａ ｄ ｎ ｉ ｅ ｓｔ ｏ ｃ ｎ ｌ ｇ （ ｔ ｒ ｌ ｃｅ ｃ ｉ ｏ ） Ｓ ｙ ｉ
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
科技信息
专题 论 述
蚁 群 算 法 巾最 优 参 数 设置 研 究
安徽 财 经 大学 付 明 王 丽芳
［ 摘 要］ 蚁群 算法中需要设 定的参数比较 多， 这些参数 的设置合适 与否对于寻找全局 最优 解十分重要。本 文首 先介 绍 了蚁群算法 中的关键 参数 ； 然后在 基于大量仿 真数据的前提下 ， 分析全局最优解 与各 个参数之 间的关 系。 ［ 键 词 ］ 群 算 法 蚂蚁 系统 的初 始 化 参 数 设 置 关 蚁
１引 言 ．
其 值 越 大 ，蚂 蚁 选 择 以前 走 过 的路 径 的 可 能 性 越 大 ，搜 索 的 随 机性 减 弱 ； ｄ值 过 大 也 会 使 蚁 群 的 搜 索 过 早 陷 于 局 部 最 优 。 群 算 法 的 全 局 当 蚁
蚁群算法（ ｎ ｏ ｍｙＡｇｒ ｈ ＡＣ 是 由意大利学 者 Ｍ Ｄ ｒｇ ， Ａ ｔＣ ｈ ｌｏ ｔｍ， Ａ） ｉ ｏｉｏ Ｖ Ｍａ ｉ ｚ， ｏ ｒｉ ｎｅ ｏ Ａ Ｃ ｌ ｎ 等人在 ２ ｚ ｏ ０世纪 ９ ０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 （ａ ｕＳａｃ ） Ｔ ｂ ｅ ｒｈ算法 、 人工神经 网络算 法 后 的又一种应用于组合优化问题 的启发式搜索算法 。 近几年 ， 国研 最 各 究者在组合优化 、 通信 网络及机器 人等领域 已研究 出大量优秀 的算法 ， 如蚁群优化算法 Ａ Ｏ（ｎ ｏｏ ｙＯ ｔ ｚｔ ｎ 、 Ｃ Ａ ｔ ｌｎ ｐｉ ａｉ ）蚁群路 由选择算 法（ｎ Ｃ ｍｉ ｏ Ａｔ Ｃ ｌｎ ｏｔ ｇ等 ， 些 算 法 已经 用 于 求 解 各 种 组 合 优 化 问 题 ， 旅 行 ｏｏｙＲ ｕｉ ） 这 ｎ 如 商 问￣，ｒｖｌ ｇｓｌｓ ｎｐｏｌｍ， Ｓ １车 辆 路 径 规 划 问题 （ｅ ｉ ｅｒｕ— （ａｅｉ ａｅｍａ ｒｂｅ Ｔ Ｐ、 ｔ ｎ ｖｈｃ ｔ ｌ ｏ ｉｇｐｏｌｍ， Ｒ ）二 次 分 配 问 题 （ｉ ｍｅｔ ｒｂｅ Ｑ Ｐ等 。 ｎ ｒｂｅ Ｖ Ｐ 、 ｓｇ ｎ ｏ ｌ ｎ ｐ ｍ， Ａ ） 】 ２蚁群算法原理 ． 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， 是一种 基于种群的模拟进 化算 法 ， 于随机 搜索 属 算法 。由意大利学者 Ｍ．ｏｉ Ｄ ｒ ｏ等人首 先提 出，Ｍ． ｒ ｏ 人首次提 出 ｇ Ｄｏｉ 等 ｇ 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（Ｓ ） Ｔ Ｐ 之 间的相似 性 ， 通过人工模拟蚂蚁 搜索食物 的过程 （ 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 ） 解 Ｔ Ｐ 来求 Ｓ 。为 了区别于真实蚂蚁群体系统 ， 称这种算法为 “ 工蚁群算法 ” 蚂 蚁这类 人 。 群 居 昆虫 ， 然 单 个 蚂 蚁 的 行 为极 简 单 ， 由这 样 的 单 个 简 单 的个 体 所 虽 但 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 ， 而 且 ， 蚁 还 能 够 适 应 环 境 的 变 化 ， ： 蚁 群 运 动 路 线 上 突 然 出 现 障 碍 蚂 如 在 物时 ， 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 ？ 经过人们大量研究发现 ， 蚂蚁个体之 间是通过一 种称 之为外 激 素（ｈｒｍｏ ｅ的物质进 行信息 传递从 而能相 互协作 ， ｐ ｅｏ ｎ） 完成 复杂 的任 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 ， 以此指导 自己的运动方 向， 并 蚂蚁倾向于朝着该 物质强度高 的方 向 移动 。 ３蚁群算法基本参数的研究 ． 蚁群算法 当中的参 数主要有蚂蚁 数 目 ｍ、 息强度 Ｑ、 信 信息素挥发 因子 Ｐ 启 发 因 子 、 望 启 发 因 子 １ 、 期 ３ 。 ●蚂 蚁 数 目对 算 法 的 影 响 ： 般 来 说 ， 蚁 数 目越 多 ， 法 的 全 局搜 一 蚂 算 索能力越强 ， 但随着蚂蚁的数 目增多 ， 计算速度将成指数级增 长。 ●信息强度 Ｑ对算法的影 响： 表示蚂蚁在循环一周 时释放在所 它 经路径上的信息总量 ， 其作用是为 了算法 在正反馈 的作用 下 ， 以合理 的 速度找到问题的全局最优解。Ｑ越大 ， 则在蚂蚁 已走过的路径上 的信息 素的积累越快 ， 可以加强算法的正反馈性能 ， 有利于算法 的快速收敛 。 ●信 息素挥发 因子 Ｐ对 算法 的影 响： 示信 息素 的挥发 ，１一Ｐ ｐ表 表示信息素 的残 留。Ｐ的大小直接关 系到蚁群算法 的全局搜 索能力及 其收敛速度 ：当 Ｐ过小时 ，以前搜索 过的路径被再次选择 的可能性过 大 ， 易 出现 局 部 收 敛 ； 之 ， 大 ， 然 可 以提 高 算 法 的 随 机 性 能 和 容 反 Ｐ过 虽 全局搜索能力 ， 但又会使算法 的收敛速度降低 。 当要处理 的问题规模 比 较大时 ， 会使那些从来未被搜索到 的路径（ 可行 解） 的信 息量减小 到接 上 近于 ０ 因而降低 了算法的全局搜索能力 。 ， ●启 发 因子 、 望 启 发 因 子 Ｂ对 算 法 的影 响 ： 望 启 发 式 因子 １ 期 期 ３ 的大小反 映 了蚁群在路 径搜索 中确定性 因素作用的强度 ， 值越大 ， 其 蚂 蚁在某个 局部点上选择 局部最短路径 的可能性越大 ，虽然局部 点上选 择 局 部最 短 路径 的 可 能性 越 大 ， 并且 搜 索 的 收 敛 速 度 得 以 加 快 ，但 蚁 群 在最优路径 的搜索 过程 中随机性减弱 ， 于陷入局部最优 ； 易 而信 息启发 式因子 的大小则反 映了蚁群在路 径搜索 中随机性 因素作用 的强 度 ，
专题 论 述
蚁 群 算 法 巾最 优 参 数 设置 研 究
安徽 财 经 大学 付 明 王 丽芳
［ 摘 要］ 蚁群 算法中需要设 定的参数比较 多， 这些参数 的设置合适 与否对于寻找全局 最优 解十分重要。本 文首 先介 绍 了蚁群算法 中的关键 参数 ； 然后在 基于大量仿 真数据的前提下 ， 分析全局最优解 与各 个参数之 间的关 系。 ［ 键 词 ］ 群 算 法 蚂蚁 系统 的初 始 化 参 数 设 置 关 蚁
１引 言 ．
其 值 越 大 ，蚂 蚁 选 择 以前 走 过 的路 径 的 可 能 性 越 大 ，搜 索 的 随 机性 减 弱 ； ｄ值 过 大 也 会 使 蚁 群 的 搜 索 过 早 陷 于 局 部 最 优 。 群 算 法 的 全 局 当 蚁
蚁群算法（ ｎ ｏ ｍｙＡｇｒ ｈ ＡＣ 是 由意大利学 者 Ｍ Ｄ ｒｇ ， Ａ ｔＣ ｈ ｌｏ ｔｍ， Ａ） ｉ ｏｉｏ Ｖ Ｍａ ｉ ｚ， ｏ ｒｉ ｎｅ ｏ Ａ Ｃ ｌ ｎ 等人在 ２ ｚ ｏ ０世纪 ９ ０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 （ａ ｕＳａｃ ） Ｔ ｂ ｅ ｒｈ算法 、 人工神经 网络算 法 后 的又一种应用于组合优化问题 的启发式搜索算法 。 近几年 ， 国研 最 各 究者在组合优化 、 通信 网络及机器 人等领域 已研究 出大量优秀 的算法 ， 如蚁群优化算法 Ａ Ｏ（ｎ ｏｏ ｙＯ ｔ ｚｔ ｎ 、 Ｃ Ａ ｔ ｌｎ ｐｉ ａｉ ）蚁群路 由选择算 法（ｎ Ｃ ｍｉ ｏ Ａｔ Ｃ ｌｎ ｏｔ ｇ等 ， 些 算 法 已经 用 于 求 解 各 种 组 合 优 化 问 题 ， 旅 行 ｏｏｙＲ ｕｉ ） 这 ｎ 如 商 问￣，ｒｖｌ ｇｓｌｓ ｎｐｏｌｍ， Ｓ １车 辆 路 径 规 划 问题 （ｅ ｉ ｅｒｕ— （ａｅｉ ａｅｍａ ｒｂｅ Ｔ Ｐ、 ｔ ｎ ｖｈｃ ｔ ｌ ｏ ｉｇｐｏｌｍ， Ｒ ）二 次 分 配 问 题 （ｉ ｍｅｔ ｒｂｅ Ｑ Ｐ等 。 ｎ ｒｂｅ Ｖ Ｐ 、 ｓｇ ｎ ｏ ｌ ｎ ｐ ｍ， Ａ ） 】 ２蚁群算法原理 ． 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， 是一种 基于种群的模拟进 化算 法 ， 于随机 搜索 属 算法 。由意大利学者 Ｍ．ｏｉ Ｄ ｒ ｏ等人首 先提 出，Ｍ． ｒ ｏ 人首次提 出 ｇ Ｄｏｉ 等 ｇ 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（Ｓ ） Ｔ Ｐ 之 间的相似 性 ， 通过人工模拟蚂蚁 搜索食物 的过程 （ 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 ） 解 Ｔ Ｐ 来求 Ｓ 。为 了区别于真实蚂蚁群体系统 ， 称这种算法为 “ 工蚁群算法 ” 蚂 蚁这类 人 。 群 居 昆虫 ， 然 单 个 蚂 蚁 的 行 为极 简 单 ， 由这 样 的 单 个 简 单 的个 体 所 虽 但 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 ， 而 且 ， 蚁 还 能 够 适 应 环 境 的 变 化 ， ： 蚁 群 运 动 路 线 上 突 然 出 现 障 碍 蚂 如 在 物时 ， 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 ？ 经过人们大量研究发现 ， 蚂蚁个体之 间是通过一 种称 之为外 激 素（ｈｒｍｏ ｅ的物质进 行信息 传递从 而能相 互协作 ， ｐ ｅｏ ｎ） 完成 复杂 的任 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 ， 以此指导 自己的运动方 向， 并 蚂蚁倾向于朝着该 物质强度高 的方 向 移动 。 ３蚁群算法基本参数的研究 ． 蚁群算法 当中的参 数主要有蚂蚁 数 目 ｍ、 息强度 Ｑ、 信 信息素挥发 因子 Ｐ 启 发 因 子 、 望 启 发 因 子 １ 、 期 ３ 。 ●蚂 蚁 数 目对 算 法 的 影 响 ： 般 来 说 ， 蚁 数 目越 多 ， 法 的 全 局搜 一 蚂 算 索能力越强 ， 但随着蚂蚁的数 目增多 ， 计算速度将成指数级增 长。 ●信息强度 Ｑ对算法的影 响： 表示蚂蚁在循环一周 时释放在所 它 经路径上的信息总量 ， 其作用是为 了算法 在正反馈 的作用 下 ， 以合理 的 速度找到问题的全局最优解。Ｑ越大 ， 则在蚂蚁 已走过的路径上 的信息 素的积累越快 ， 可以加强算法的正反馈性能 ， 有利于算法 的快速收敛 。 ●信 息素挥发 因子 Ｐ对 算法 的影 响： 示信 息素 的挥发 ，１一Ｐ ｐ表 表示信息素 的残 留。Ｐ的大小直接关 系到蚁群算法 的全局搜 索能力及 其收敛速度 ：当 Ｐ过小时 ，以前搜索 过的路径被再次选择 的可能性过 大 ， 易 出现 局 部 收 敛 ； 之 ， 大 ， 然 可 以提 高 算 法 的 随 机 性 能 和 容 反 Ｐ过 虽 全局搜索能力 ， 但又会使算法 的收敛速度降低 。 当要处理 的问题规模 比 较大时 ， 会使那些从来未被搜索到 的路径（ 可行 解） 的信 息量减小 到接 上 近于 ０ 因而降低 了算法的全局搜索能力 。 ， ●启 发 因子 、 望 启 发 因 子 Ｂ对 算 法 的影 响 ： 望 启 发 式 因子 １ 期 期 ３ 的大小反 映 了蚁群在路 径搜索 中确定性 因素作用的强度 ， 值越大 ， 其 蚂 蚁在某个 局部点上选择 局部最短路径 的可能性越大 ，虽然局部 点上选 择 局 部最 短 路径 的 可 能性 越 大 ， 并且 搜 索 的 收 敛 速 度 得 以 加 快 ，但 蚁 群 在最优路径 的搜索 过程 中随机性减弱 ， 于陷入局部最优 ； 易 而信 息启发 式因子 的大小则反 映了蚁群在路 径搜索 中随机性 因素作用 的强 度 ，