本發(fā)明涉及計(jì)算機(jī)技術(shù)領(lǐng)域，特別是涉及一種基于蟻群算法的信息素更新方法。
背景技術(shù)：
目前，基于路徑優(yōu)化算法有很多，常見的路徑優(yōu)化算法有遺傳算法、粒子群算法，模擬退火算法等。
遺傳算法具有良好的全局搜索能力，可以快速地將解空間中的全體解搜索出，但是編程較復(fù)雜，需先編碼在解碼，局部搜索能力較差，易產(chǎn)生早熟收斂，導(dǎo)致單純的遺傳算法比較費(fèi)時(shí)，在進(jìn)化后期搜索效率較低。
粒子群算法一方面規(guī)則簡(jiǎn)單，容易實(shí)現(xiàn)，可調(diào)參數(shù)少，并且對(duì)于參數(shù)的選擇已經(jīng)有成熟的理論研究成果，另一方面對(duì)于離散的優(yōu)化問題處理不佳，容易陷入局部最優(yōu)。
模擬退火算法雖具有擺脫局部最優(yōu)解的能力，能夠以隨機(jī)搜索技術(shù)從概率的意義上找出目標(biāo)函數(shù)的全局最小點(diǎn)。但是，由于模擬退火算法對(duì)整個(gè)搜索空間的狀況了解不多，不便于使搜索過程進(jìn)入最有希望的搜索區(qū)域，使得模擬退火算法的運(yùn)算效率不高。模擬退火算法對(duì)參數(shù)(如初始溫度)的依賴性較強(qiáng)，且進(jìn)化速度慢。
遺傳算法局部搜索能力差，耗時(shí)且難以達(dá)到問題最優(yōu)解；粒子群算法的全局搜索能力差，易陷入局部最優(yōu)；模擬退火算法運(yùn)算效率不高，不僅費(fèi)時(shí)而且進(jìn)化速度慢。
技術(shù)實(shí)現(xiàn)要素：
為了克服上述現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種基于蟻群算法的信息素更新方法，按照最大最小相乘取最小更新信息素，減少了算法運(yùn)行的時(shí)間，提高求解過程中不斷的跳出局部最優(yōu)得到新解的能力，加快了算法尋優(yōu)時(shí)的收斂速度。
一種基于蟻群算法的信息素更新方法，包括如下步驟：
步驟1，路徑長(zhǎng)度排列，所述路徑長(zhǎng)度排列是將每一次迭代的路徑長(zhǎng)度按照從小到大的順序排列，即L11，L12...Lq1,Lq2。。。Lqi,Ln1...Lnm；
步驟2，計(jì)算路徑總和，所述路徑總和是對(duì)步驟1中獲取的各代路徑長(zhǎng)度相加求總和；
步驟3，路徑總和與各代路徑對(duì)應(yīng)成比例排列，
所述路徑總和與各代路徑對(duì)應(yīng)成比例排列是基于步驟1和步驟2中得到的路徑長(zhǎng)度排列、路徑總和，通過各代路徑與路徑總和對(duì)應(yīng)成比例，按照從大到小排列；
步驟4，最大最小相乘取最小，更新信息素。
在本發(fā)明的一個(gè)優(yōu)選實(shí)施例中，所述最大最小相乘取最小，更新信息素是基于步驟1—3處理后得到的路徑長(zhǎng)度排列、路徑總和、路徑與路徑總和對(duì)應(yīng)比例，規(guī)定同一種路徑在N次內(nèi)沒有變化時(shí)，信息素更新方法為：
將步驟1得到的各代路徑賦值于向量A，則設(shè)路徑長(zhǎng)度向量A＝[L11，L12...Lq1,Lq2。。。Lqi,Ln1...Lnm]，各代路徑長(zhǎng)度總和M，各代路徑與路徑總和成比例排列
則Lq信息素更新為:
其中Lnm表示第n種路徑長(zhǎng)度出現(xiàn)m次，Lq1*Lqi與Lqi*Lq1有可能相等。
在本發(fā)明的一個(gè)優(yōu)選實(shí)施例中，所述同一種路徑為路徑長(zhǎng)度相等。
在本發(fā)明的一個(gè)優(yōu)選實(shí)施例中，在步驟1中，所述的路徑長(zhǎng)度均賦值于向量A,都屬于向量A中的一個(gè)元素。
在本發(fā)明的一個(gè)優(yōu)選實(shí)施例中，在步驟4中，當(dāng)N＝1時(shí)，無(wú)需取最小，1＜N＜J,J是每次迭代中同一種路徑出現(xiàn)的最大次數(shù)。
本發(fā)明的有益效果為；
本發(fā)明經(jīng)過大量實(shí)驗(yàn)驗(yàn)證，以算法運(yùn)行時(shí)間和迭代收斂為判斷標(biāo)準(zhǔn)，結(jié)果應(yīng)用較小的時(shí)間成本，在求解過程中不斷的跳出局部最優(yōu)得到新解，加快了算法尋優(yōu)時(shí)的收斂速度，使得優(yōu)化效率逐漸提高。
附圖說明
圖1為某次實(shí)驗(yàn)各代路徑與迭代次數(shù)關(guān)系圖。
附圖說明
蟻群算法核心思想是，螞蟻在尋找食物的前行過程中會(huì)不斷釋放一種物質(zhì)即信息素，后面的螞蟻選擇路徑時(shí)根據(jù)前面螞蟻留在路徑上的信息素濃度大小做判斷，路徑選擇概率與信息素濃度成正比。
結(jié)合圖1，為某次實(shí)驗(yàn)各代路徑與迭代次數(shù)關(guān)系圖，具體地：
一種基于蟻群算法的信息素更新方法，包括如下步驟：
步驟1，路徑長(zhǎng)度排列，所述路徑長(zhǎng)度排列是將每一次迭代的路徑長(zhǎng)度按照從小到大的順序排列，即L11，L12...Lq1,Lq2。。。Lqi,Ln1...Lnm；
步驟2，計(jì)算路徑總和，所述路徑總和是對(duì)步驟1中獲取的各代路徑長(zhǎng)度相加求總和；
步驟3，路徑總和與各代路徑對(duì)應(yīng)成比例排列，
所述路徑總和與各代路徑對(duì)應(yīng)成比例排列是基于步驟1和步驟2中得到的路徑長(zhǎng)度排列、路徑總和，通過各代路徑與路徑總和對(duì)應(yīng)成比例，按照從大到小排列；
步驟4，最大最小相乘取最小，更新信息素：所述最大最小相乘取最小，更新信息素是基于步驟1—3處理后得到的路徑長(zhǎng)度排列、路徑總和、路徑與路徑總和對(duì)應(yīng)比例，規(guī)定同一種路徑(即路徑長(zhǎng)度相等)在N次內(nèi)沒有變化時(shí)，信息素更新方法為：
將步驟1得到的各代路徑賦值于向量A，則設(shè)路徑長(zhǎng)度向量A＝[L11，L12...Lq1,Lq2。。。Lqi,Ln1...Lnm]，各代路徑長(zhǎng)度總和M，各代路徑與路徑總和成比例排列
則Lq信息素更新為:
其中Lnm表示第n種路徑長(zhǎng)度出現(xiàn)m次，Lq1*Lqi與Lqi*Lq1有可能相等。
具體地，在步驟1中，所述的路徑長(zhǎng)度均賦值于向量A,都屬于向量A中的一個(gè)元素。
進(jìn)一步地，在步驟4中，當(dāng)N＝1時(shí)，無(wú)需取最小，1＜N＜J,J是每次迭代中同一種路徑出現(xiàn)的最大次數(shù)。
本發(fā)明根據(jù)蟻群算法核心思想，對(duì)信息素進(jìn)行更新，從而能夠降低算法運(yùn)行時(shí)間，提高不斷跳出局部最優(yōu)尋找更優(yōu)值得能力，增強(qiáng)算法收斂速度。