基于參數動態調整策略的蟻群算法優化及應用研究

王兵+劉佩+周亦鵬

摘 要：物流配送路徑問題已成為現在關注的熱點，尋找一種有效全局優化的算法對研究該問題起著至關重要的作用。本文提出了一種改進的蟻群算法，通過適當調整相關參數和信息素規則，試圖提高算法的運算性能。并結合Matlab7.0編寫程序進行仿真，基于實驗結果驗證了改進后的蟻群算法的高效性，為研究物流配送路徑算法提供了一種新思路。

關鍵詞：配送路徑；蟻群算法；信息素

中圖分類號：TP301 文獻識別碼：A

蟻群算法是20世紀末意大利學者Dorigo提出的一種仿生計算方法。在解決路徑優化問題上具有很好的適用性，特別是解決TSP問題和路徑分配問題。但如何能提高收斂速度和全局搜索能力原則，一直是研究的重點。本文提出一種改進的蟻群算法優化方法，通過適當調整相關參數和信息素規則，以求在物流配送路徑選擇方面獲得更好的效果。

1.物流配送路徑數學模型

已知一個物流中心有k輛車，車載量是qk，要完成N個目客戶點的配送任務。客戶點為i，該點需求量為gi，maxgi≤maxqk，求符合要求的車輛最短路徑。設客戶點i到j總運輸成本cij、車輛一次運送成本c0、車輛路程c1、其他成本c2，p1p2為行駛路程和額外成本費用系數。xxjk，yki取0或1分別代表k車從點i到點j，客戶i需求由k車完成，否則均為0配送中心等待。數學模型如下：

2.蟻群算法及其改進

2.1 蟻群算法

其中，Q表示信息素強度，即：某只螞蟻在走過所有的城市后，留在線路上的信息量的總和，該值通常取為正常數即可。Lk描述的是在該次迭代過程中，螞蟻k路過的線路的總距離。

2.2 基于參數動態調整策略的蟻群算法優化

蟻群算法在求解配送問題時，需要提高收斂速度的同時也要保證全局搜索能力。本文提出一種算法參數的動態調整策略來實現算法的優化。影響蟻群算法的計算效率和效果的參數包括：信息啟發因子α、期望值啟發因子β、信息素殘留系數ρ和信息素強度Q等。根據以上影響因素，因為α與β兩個因子具有相似的特性，本文的α，β值采用隨循環次數的增大而逐漸變小的策略來使算法的性能得到增強。將α值取大一點，隨后逐漸降低α值。方法如下：

根據實驗結果，平均最優費用為6573，平均迭代次數為46。而文獻[2]中研究的最好結果是平均最優費用為7258，平均迭代次數為56。因此，本文算法參數動態調整策略和信息素更新策略，能夠在物流配送路徑優化問題上獲得更好的性能優化效果。

結論

面向物流配送路徑問題，建立了配送路徑選擇的數學模型，并分析了影響蟻群算法計算效率的因素。針對蟻群算法的性能優化問題，對蟻群算法進行改進，并引用物流實例數據進行仿真實驗，實驗表明本文提出的動態調整算法參數的策略和信息素更新策略較為明顯地提高了算法的性能，從而為蟻群算法，解決物流配送路徑問題提供幫助。

參考文獻

[1]林博.改進遺傳算法在物流配送中的應用研究[D].遼寧科技大學，2016.

[2]張欣鈺.半開放式多配送中心車輛路徑優化問題研究[D].大連：大連海事大學，2014.

[3]石華瑀.改進的蟻群算法在實際VRP中的應用研究[D].山東大學，2012.

[4]王進.蟻群算法在物流系統中的應用研究[D].南昌大學，2008.

[5]沈彬.改進蟻群算法在物流配送中的應用研究[D].浙江大學，2004.