亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        求解TSP 的蟻群與模糊自適應(yīng)粒子群算法

        2015-04-17 02:45:36張???/span>
        關(guān)鍵詞:結(jié)點(diǎn)慣性螞蟻

        張???,王 波

        ZHANG Haijun,WANG Bo

        上海理工大學(xué) 管理學(xué)院,上海200093

        School of Manage,University of Shanghai for Science and Technology,Shanghai 200093,China

        1 引言

        粒子群算法[1]是由Kennedy 博士與Eberhart 博士共同提出一種新興的基于群體智能[2-3]的搜索算法。它起源于對鳥群覓食行為的模擬,主要是仿照種群行為來模擬粒子們的運(yùn)動(dòng)。這種算法簡單且參數(shù)易于調(diào)整,現(xiàn)在已經(jīng)廣泛應(yīng)用于重要領(lǐng)域。在處理問題時(shí),一般采用定值慣性權(quán)重的PSO 算法,但在實(shí)際搜索過程中,容易早熟且易于陷入局部最優(yōu)。

        蟻群算法[4]是Dorigo 等提出的一種仿生群體智能搜索算法,它來源于自然界中螞蟻集體覓食行為與協(xié)作過程的啟發(fā),通過模擬螞蟻在蟻巢和食物源之間尋找最短路徑,以信息素作為媒介,最終達(dá)到尋優(yōu)的目的。目前,蟻群算法應(yīng)用已在大量領(lǐng)域中取得了多項(xiàng)突破,并產(chǎn)生不錯(cuò)的效果。盡管蟻群算法具有較強(qiáng)的尋優(yōu)能力,但在處理大規(guī)模優(yōu)化問題時(shí),其開始搜索時(shí)信息素量比較缺乏,且搜索速度緩慢,易于陷入局部最優(yōu)。

        在融合ACO 與PSO 算法中文獻(xiàn)[5]應(yīng)用粒子群算法對蟻群算法的參數(shù)進(jìn)行優(yōu)化,并運(yùn)用蟻群系統(tǒng)算法尋找最優(yōu)路徑;文獻(xiàn)[6]中為了提高收斂速度,將每隔一定代數(shù)的數(shù)據(jù)引入粒子群運(yùn)算,最終在局部與全局最優(yōu)之間取得平衡;文獻(xiàn)[7]中引入重力搜索算法來優(yōu)化蟻群算法參數(shù)和粒子群算法,并且提高了蟻群算法的優(yōu)化性能;文獻(xiàn)[8]中將蟻群分成多個(gè)螞蟻?zhàn)尤?,通過粒子群算法優(yōu)化螞蟻?zhàn)尤簠?shù),并在螞蟻?zhàn)尤褐幸虢粨Q操作對TSP 問題進(jìn)行優(yōu)化;文獻(xiàn)[9]中給出一種全局異步與精英策略相結(jié)合的信息素更新方法,從而提高算法的運(yùn)行迭代速度。

        雖然上述方法對ACO-PSO 算法[10]做了一些的改進(jìn),但隨著TSP 優(yōu)化問題不斷規(guī)?;?fù)雜化,預(yù)先設(shè)定的慣性權(quán)重值難以滿足復(fù)雜問題的解決。所以,本文主要對粒子群算法與蟻群算法的特點(diǎn)和性質(zhì)進(jìn)行詳細(xì)的探究,融合兩種算法的優(yōu)點(diǎn),并且通過引入模糊技術(shù),對PSO 中慣性權(quán)重ω[11-12]參數(shù)進(jìn)行模糊化。在ACO-PSO算法運(yùn)行初期時(shí),需要較強(qiáng)的全局搜索能力,則采用較大的ω值;在搜索中后期,需要有很強(qiáng)的局部搜索能力,則調(diào)整為較小的ω值。

        2 基本蟻群算法

        首先設(shè)TSP 的城市個(gè)數(shù)為N,螞蟻總數(shù)也為N,城市i與城市j之間的路徑為dij(i≠j)。先建立TSP 問題的目標(biāo)函數(shù)式(1),其中城市序列表示為{cπ(1),cπ(2),…,cπ(N)},且cπ(1),cπ(2),…,cπ(N)是c1,c2,…,cN的全排列。

        蟻群算法[13-14]的基本思想:螞蟻在初次尋找路徑是隨機(jī)的,且在路徑上釋放等量信息素。設(shè)τij(t)表示t時(shí)刻在城市i,j連線上殘留信息素含量,初始時(shí)刻每條路徑的信息素含量都為τij(0)=τ0。螞蟻antk(k=1,2,…,N)在爬行過程中,使用禁忌表tabuk記錄當(dāng)前已遍歷的城市,用集合allowedk來記錄下一步可選擇城市,即allowedk={C-tabuk}。表示在t時(shí)刻螞蟻antk由城市i轉(zhuǎn)移到城市j的狀態(tài)轉(zhuǎn)移概率,其中ηij表示從城市i轉(zhuǎn)移到城市j的啟發(fā)信息,一般取值ηij=1/dij,參數(shù)α表示在路徑i,j上殘留信息量的相對重要程度,參數(shù)β為啟發(fā)信息的相對重要程度,如式(2)。

        在所有螞蟻都完成一次周游時(shí),各路徑上的信息素量需根據(jù)式(3)進(jìn)行更新。其中,ρ(0 <ρ<1)是一個(gè)系數(shù),且(1-ρ)表示t到t+N時(shí)刻內(nèi)的信息素?fù)]發(fā)率;Δτij表示本次迭代中路徑i,j上的信息素增量之和;Q表示螞蟻循環(huán)一周所釋放的總信息素含量,Lk表示antk螞蟻在本次周游中所走路徑的長度,表示antk螞蟻在本次迭代中在路徑i,j上留下的信息素含量,如式(5)。

        3 模糊自適應(yīng)粒子群算法

        3.1 粒子群算法基本思想

        粒子群算法是一種模擬鳥群的捕食行為群體智能算法[2-3]。在尋優(yōu)過程中,每個(gè)潛在的最好解都與粒子運(yùn)動(dòng)速度相關(guān)聯(lián),根據(jù)粒子的歷史經(jīng)驗(yàn)以及鄰居們的經(jīng)驗(yàn)來調(diào)整其速度大小和方向,朝著最好解的方向逼近。

        本文搜索空間是在平面中,設(shè)粒子群中第i個(gè)粒子位置、速度分別為xi(xi1,xi2)和vi(vi1,vi2),以及pbesti(pi1,pi2)表示第i個(gè)粒子搜索到的最佳位置,gbest(g1,g2)表示所有粒子搜索到的最好位置,根據(jù)式(6)和(7)來更新粒子的速度和位置。

        其中,學(xué)習(xí)因子c1和c2,分別表示為粒子具有自我尋優(yōu)能力和集體尋優(yōu)能力,來逼近個(gè)體和群體最優(yōu)解。R1,R2為[0,1]之間的隨機(jī)數(shù)。限制粒子速度,即|vi|>vmax時(shí),則|vi|=vmax。慣性權(quán)重ω表示為粒子延續(xù)當(dāng)前速度多少,其值合理地被選取使得粒子具有均衡的局部與全局搜索能力。然而如何權(quán)衡慣性權(quán)值,使其達(dá)到搜索平衡的效果,從而逼近最好解。本文主要從慣性權(quán)值的變化來提高ACO-PSO 的搜索性能。

        3.2 慣性權(quán)重的自適應(yīng)調(diào)整模型

        為了改善ACO-PSO 算法搜索能力,引入模糊技術(shù),使得參數(shù)慣性權(quán)重模糊化。但問題的關(guān)鍵是在于如何構(gòu)建模糊概念的的隸屬函數(shù)。本文主要通過引入g參數(shù),構(gòu)造具體的隸屬函數(shù)(記為u(g))如下:

        其中g(shù)表示ACO-PSO 中全局路徑極小值,N為種群規(guī)模,S1和S2為可控制參數(shù),γ1和γ2為調(diào)整參數(shù),這里滿足條件S1>S2>0,1 >γ1>0,1 >γ2>0。

        通過上述隸屬函數(shù)的模糊映射關(guān)系,本文構(gòu)建了慣性權(quán)值的模糊自適應(yīng)調(diào)整函數(shù)[12]如下:

        其中,nc為當(dāng)前迭代次數(shù),NC為最大迭代數(shù),ωs與ωe分別為參數(shù)慣性權(quán)重ω的初始值與結(jié)束值。

        4 粒子群與蟻群混合算法

        4.1 基本思想

        粒子群算法和蟻群算法都是基于群體智能的搜索算法。ACO-PSO 的基本思想是綜合其兩種算法各自搜索特性,以達(dá)到逼近最佳位置。本文通過引入模糊技術(shù),對粒子群算法中參數(shù)ω進(jìn)行模糊自適應(yīng)調(diào)整,前期讓ACO-PSO 算法進(jìn)行較強(qiáng)的全局搜索,后期進(jìn)行很強(qiáng)的局部搜索。具體算法流程如下:

        步驟1設(shè)置粒子群參數(shù)并初始化粒子群,即隨機(jī)產(chǎn)生Np個(gè)粒子速度和位置。

        步驟2初始化每個(gè)螞蟻的信息素和參數(shù);將Nsa只螞蟻隨機(jī)放在N個(gè)城市上。

        步驟3讓每個(gè)螞蟻遍歷所有城市,螞蟻以式(2)概念選擇所經(jīng)過的城市,更新Nsa只螞蟻的路徑長度,并計(jì)算每個(gè)螞蟻的最優(yōu)路徑作為Np粒子的適應(yīng)度值。

        步驟4根據(jù)粒子的適應(yīng)度值,按照式(6)和式(7)更新每個(gè)粒子個(gè)體最優(yōu)解和群體最優(yōu)解,相應(yīng)得出粒子的速度和位置。

        步驟5根據(jù)式(9)模糊自適應(yīng)調(diào)整慣性權(quán)值ω,然后再次依據(jù)式(6)和式(7)更新粒子的速度和位置。

        步驟5如果達(dá)到最大迭代次數(shù)時(shí),則結(jié)束,否則,轉(zhuǎn)步驟4。

        4.2 算法的改進(jìn)

        為了進(jìn)一步研究,受GA 中的交叉算子[14]的思想啟示,本文引用了演化交叉[15-16]策略,即繼承父代的優(yōu)秀基因,且又能保證交叉后子代的可行性,使得搜索結(jié)果逼近最佳位置。在算法流程中,于步驟4 與5 之間添加:隨機(jī)選擇一只螞蟻,將其所走路徑與最優(yōu)螞蟻所走的路徑執(zhí)行演化交叉,生成新的路徑。演化交叉方式:將雙親X=(x1,x2,…,xN)和Y=(y1,y2,…,yN)看作環(huán)形回路,通過演化交叉產(chǎn)生子代children。步驟如下:

        步驟1隨機(jī)選擇一個(gè)結(jié)點(diǎn)xi作為交叉起點(diǎn),并加入子代children中,分別在父代中標(biāo)記xi為已訪問過的結(jié)點(diǎn)。

        步驟2根據(jù)當(dāng)前結(jié)點(diǎn)xi,在X、Y中尋找下一個(gè)未訪問過的結(jié)點(diǎn)xi+1和yj+1。

        步驟3若,將xi+1加到children中,記當(dāng)前結(jié)點(diǎn)為xi+1,在父代中標(biāo)記xi+1為訪問過的結(jié)點(diǎn),否則將yi+1加入到children中,并記當(dāng)前結(jié)點(diǎn)為yi+1,在父代中標(biāo)記yi+1為訪問過的結(jié)點(diǎn)。

        步驟4重復(fù)執(zhí)行步驟2,直至生成所有子代。

        4.3 算法迭代圖

        根據(jù)上述算法思想,整理得出ACO-GA-PSO 算法的運(yùn)算迭代圖如下(而ACO-PSO 迭代圖中缺少“演化交叉”步驟)。

        圖1 ACO-GA-PSO算法迭代圖

        4.4 算法的擴(kuò)展應(yīng)用

        隨著現(xiàn)代物流業(yè)的快速發(fā)展,我們所遇到的VRP問題[17-18]更加貼近實(shí)際。所以通常會引入虛擬配送中心的概念,把VRP 問題轉(zhuǎn)化為帶有約束性的TSP 問題。利用本文的算法思想,然后在完善模型約束條件下,建立相應(yīng)的VRP 優(yōu)化模型。

        依據(jù)文中的思想,假設(shè)以起始點(diǎn)城市作為配送中心,且每個(gè)城市包含用戶的需求量。首先對參數(shù)配送車最大載重MaxLoading、數(shù)量CarNum和初始載重Loading進(jìn)行初始化。然后在算法步驟3 中添加:如果用戶的需求量沒有超過當(dāng)前能承載的重量,則選擇此用戶,且將用戶的需求量加入Loading中;然后判斷是否Loading<MaxLoading,如果是則繼續(xù)選擇下一個(gè)用戶點(diǎn),否則返回配送中心,直至所有用戶的需求量被滿足為止。

        5 實(shí)驗(yàn)仿真對比分析

        為了驗(yàn)證參數(shù)模糊自適應(yīng)調(diào)整混合算法的搜索性能,文中ω參數(shù)變化形式分別為定值、線性變化和模糊變化,然后將ACO-PSO 和ACO-GA -PSO 分別在eil48,rat99 和ch130 問題上進(jìn)行測試。最后對變化的ω算法所得數(shù)據(jù)進(jìn)行對比分析。

        本文采用Matlab7.10 語言編程實(shí)現(xiàn),電腦的主要配置有3.4 GHz 主頻,酷睿i7 處理器和4 GB 內(nèi)存。參數(shù)Np,Nsa與N相等,vmax=7,c1=c2=2,γ1=0.5,γ2=0.5,ωs=0.9,ωe=0.4,ρ=0.4,參數(shù)S1和S2由定值慣性權(quán)重AC-PSO 中參數(shù)g和N值共同決定的。實(shí)驗(yàn)仿真次數(shù)為20 次,迭代次數(shù)NC=100(當(dāng)增加迭代次數(shù)達(dá)到200、500 和1 000 時(shí),程序運(yùn)行解的質(zhì)量沒有得到顯著提高)。

        圖2 ACO-PSO 算法仿真圖

        圖3 ACO-GA-PSO 算法仿真圖

        圖2 表示rat99 問題在ACO-PSO 算法仿真實(shí)驗(yàn)圖,其定值ω時(shí)minTd=1 467.4;模糊ω時(shí)minTd=1 442.6。圖3 表示rat99 問題在ACO-GA-PSO 算法仿真實(shí)驗(yàn)圖,其定值ω時(shí)minTd=1 327.3;模糊ω時(shí)minTd=1 286.5。

        從如表1、表2 和表3 的仿真實(shí)驗(yàn)結(jié)果中,可以看出不同變化方式的參數(shù)ω,所產(chǎn)生的效果值也是不同的。從各自的表中對比,可以看出模糊變化ω參數(shù)模型的平均解與最好解都明顯好于參數(shù)ω定值和線性變化模型的對應(yīng)值。而且把演化交叉引入到ACO-PSO 混合算法中,其相應(yīng)的平均解與最好解都優(yōu)于ACO-PSO 的對應(yīng)值。綜上分析,本文算法的搜索性能優(yōu)越于同類算法。

        表1 eil48 問題

        表2 rat99 問題

        表3 ch130 問題

        6 結(jié)論與展望

        本文主要融合蟻群算法和粒子群算法各自的搜索特點(diǎn),組合成一種新的算法,并在算法迭代過程中添加了參數(shù)自動(dòng)調(diào)節(jié)機(jī)制環(huán)節(jié)?;旌纤惴ㄔ谒阉鞒跗跒榱吮苊庀萑刖植孔顑?yōu)解,通過引入模糊技術(shù),使得慣性權(quán)重自適應(yīng)調(diào)整為較大值,有利于全局搜索。在搜索后期,搜索范圍已達(dá)到全局最優(yōu)區(qū)域,為了尋求局部最優(yōu)解,此時(shí)讓慣性權(quán)重自適應(yīng)調(diào)整為較小值。實(shí)驗(yàn)仿真結(jié)果表明參數(shù)自動(dòng)調(diào)節(jié)的ACO-PSO 算法優(yōu)于同類算法。慣性權(quán)重的模糊自適應(yīng)調(diào)整混合算法使其在局部尋優(yōu)和全局尋優(yōu)之間取得平衡,從而得出滿意的實(shí)驗(yàn)結(jié)果。

        從單回路的TSP 問題擴(kuò)展到大規(guī)??蛻艏呐渌吐窂絻?yōu)化問題、帶有約束性的復(fù)雜VRP 問題,可以考慮利用多種算法相結(jié)合來尋求其最優(yōu)解。在物流配送系統(tǒng)中,合理選取路徑與使用車輛數(shù)是減少浪費(fèi)、提高經(jīng)濟(jì)效益的重要手段,所以研究優(yōu)化路徑問題有著重要的現(xiàn)實(shí)意義。

        [1] Kennedy J,Eberhart R C.Particle swarm optimization[C]//Proceedings of the IEEE International Conference on Neural Networks.Perth,Australia:IEEE Piscataway,1995:1942-1948.

        [2] 袁德平.用于多目標(biāo)數(shù)據(jù)關(guān)聯(lián)的群智能混合算法[J].華南理工大學(xué)學(xué)報(bào):自然科學(xué)版,2012,40(9):97-99.

        [3] 郭靜.系統(tǒng)發(fā)生樹構(gòu)建方法綜述[J].計(jì)算機(jī)應(yīng)用研究,2013,30(3):647-655.

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

        [5] 柴寶杰.基于粒子群優(yōu)化的蟻群算法在TSP 中的應(yīng)用[J].計(jì)算機(jī)仿真,2009(8):89-91.

        [6] 高博.改進(jìn)型粒子蟻群算法的應(yīng)用研究[J].計(jì)算機(jī)安全,2010(11):11-13.

        [7] 谷文祥.一種求解TSP 問題的混合算法[J].東北師大學(xué)報(bào):自然科學(xué)版,2011,43(3):60-64.

        [8] 孫凱.蟻群與粒子群混合算法求解TSP 問題[J].計(jì)算機(jī)工程與應(yīng)用,2012,48(34):60-63.

        [9] 李擎.一種基于粒子群參數(shù)優(yōu)化的改進(jìn)蟻群算法[J].控制與決策,2013,28(6):873-878.

        [10] 張超.一種基于粒子群參數(shù)優(yōu)化的改進(jìn)蟻群算法及其應(yīng)用[J].北京科技大學(xué)學(xué)報(bào),2013,35(7):955-960.

        [11] 李長榮.水聲信道盲均衡優(yōu)化仿真研究[J].計(jì)算機(jī)仿真,2013,30(7):183-186.

        [12] 郭文忠.求解TSP 問題的模糊自適應(yīng)粒子群算法[J].計(jì)算機(jī)科學(xué),2006,33(6):161-162.

        [13] 楊帆.基于蟻群系統(tǒng)的參數(shù)自適應(yīng)粒子群算法及其應(yīng)用[J].控制理論與應(yīng)用,2010,27(11):1479-1488.

        [14] 王登科.基于粒子群優(yōu)化與蟻群優(yōu)化的云計(jì)算任務(wù)調(diào)度算法[J].計(jì)算機(jī)應(yīng)用與軟件,2013,30(1):290-293.

        [15] 石利平.改進(jìn)型遺傳算法求解TSP 問題[J].實(shí)驗(yàn)技術(shù)與管理,2014,31(7):61-64.

        [16] 胡志軍.基于求解TSP 問題的ACA-GA-PSO 算法[J].科技通報(bào),2012,28(4):82-84.

        [17] 鄭峰峻.改進(jìn)的蟻群算法在物流配送路徑問題中的實(shí)現(xiàn)[J].物流科技,2010,2:22-24.

        [18] 張錦等.基于TSP 的軍交VRP 優(yōu)化模型及其求解[J].數(shù)學(xué)的實(shí)踐與認(rèn)識,2012,41(22):161-166.

        猜你喜歡
        結(jié)點(diǎn)慣性螞蟻
        你真的了解慣性嗎
        沖破『慣性』 看慣性
        Ladyzhenskaya流體力學(xué)方程組的確定模與確定結(jié)點(diǎn)個(gè)數(shù)估計(jì)
        無處不在的慣性
        我們會“隱身”讓螞蟻來保護(hù)自己
        螞蟻
        普遍存在的慣性
        螞蟻找吃的等
        基于Raspberry PI為結(jié)點(diǎn)的天氣云測量網(wǎng)絡(luò)實(shí)現(xiàn)
        基于DHT全分布式P2P-SIP網(wǎng)絡(luò)電話穩(wěn)定性研究與設(shè)計(jì)
        老师粉嫩小泬喷水视频90| 久久综合伊人有码一区中文字幕| 日韩中文字幕一区二区二区| 亚洲女同一区二区| 99久久免费精品高清特色大片| 久久亚洲午夜牛牛影视| 好看的中文字幕中文在线| 日日碰狠狠添天天爽超碰97久久 | 精品亚洲成a人在线观看| 人妻av无码系列一区二区三区 | 天堂网av在线| 亚洲色图偷拍自拍在线| 亚洲国产成人精品无码区在线秒播 | 麻豆国产成人AV网| 免费在线亚洲视频观看| 中文字幕精品一区二区精品| 人妻少妇精品视中文字幕国语| 2017天天爽夜夜爽精品视频| 在线观看免费不卡网站| 情人伊人久久综合亚洲 | 亚洲欧洲日产国码久在线观看| 日韩午夜三级在线视频| 四虎成人精品在永久免费| 一本久久a久久精品亚洲| 美女裸体无遮挡免费视频国产| 自拍视频在线观看国产| 精品国产免费一区二区三区| 一二三四在线视频社区3| 看全色黄大黄大色免费久久| 男女交射视频免费观看网站| 亚洲精品suv精品一区二区| 狠狠色综合播放一区二区| 亚洲一区二区三区精品久久| 中文人妻av久久人妻水蜜桃| 狠狠色噜噜狠狠狠狠888奇禾| 天堂岛国精品在线观看一区二区| 久久96日本精品久久久| 人妻聚色窝窝人体www一区| 日韩AV有码无码一区二区三区 | 日韩精品极品免费观看| 午夜被窝精品国产亚洲av香蕉|