基于改进蚁群算法的车辆路径优化模型

ａ叶技２０１０年第２３卷第１期　Ｅｌｅｃｔｒｏｎｉｃ　Ｓｃｉ．＆Ｔｅｃｈ．／Ｊａｎ．１５．２０１０　基于改进蚁群算法的车辆路径优化模型　雷登云，赵　炜，王摘要健　７１０１２６）　（西安电子科技大学微电子学院，陕西西安在分析基本蚁群算法的基础上，针对交通路径的特点，提出了适合于求解路径规划的改进型算法。在原　有算法的基础上引入了启发式因子，提高了算法初期的收敛效率，减少了计算。详细分析了参数　，ＪＢ对蚁群算法速　度与结果准确性的影响，提出了参数自适应调整的方案，提高跳出局部优解的能力以及算法的全局收敛性，改善了解　的质量。根据仿真结果，将改进蚁群算法与基本蚁群算法进行了比较，结果表明改进后的算法各方面均优于基本蚁群　算法，验证了改进型算法可行性和高效性。　关键词蚁群算法；车辆路径规划；最优路径　ＴＰ３０１．６　文献标识码Ａ　文章编号１００７—７８２０（２０１０）０１—０ｏ８一ｏ４　中图分类号Ｏｐｔｉｍａｌ　Ｖｅｈｉｃｌｅ　Ｐａｔｈ　ｏｆ　Ｕｒｂａｎ　Ｔｒａｍｃ　Ｂａｓｅｄ　ｏｎ　ｔｈｅ　Ｉｍｐｒｏｖｅｄ　Ａｎｔ　Ｃｏｌｏｎｙ　Ａｌｇｏｒｉｔｈｍ　Ｌｅｉ　Ｄｅｎｇｙｕｎ，Ｚｈａｏ　Ｗｅｉ，Ｗａｎｇ　Ｊｉａｎ　（Ｓｃｈｏｏｌ　ｏｆ　Ｍｉｃｒｏｅｌｅｃｔｒｏｎｉｃｓ，Ｘｉｄｉａｎ　Ｕｎｉｖｅｒｓｉｔｙ，Ｘｉ’ａｎ　７１０１２６，Ｃｈｉｎａ）　Ａｂｓｔｒａｃｔ　Ｂａｓｅｄ　ｏｎ　ａｎ　ａｎａｌｙｓｉｓ　ｏｆ　ｔｈｅ　ｓｔａｎｄａｒｄ　ａｎｔ　ｃｏｌｏｎｙ　ａｌｇｏｒｉｔｈｍ　ａｎｄ　ｔｈｅ　ｃｈａｒａｃｔｅｒｉｓｔｉｃｓ　ｏｆ　ｖｅｈｉｃｌｅ　ｐａｔｈ，ａｎ　ｉｍ－　ｐｒｏｖｅｄ　ａｎｔ　ｃｏｌｏｎｙ　ａｌｇｏｒｉｔｈｍ　ｉｓ　ｐｒｏｐｏｓｅｄ　ｔｏ　ｓｏｌｖｅ　ｔｈｅ　ｐｒｏｂｌｅｍ．Ｎｅｗ　ｈｅｕｒｉｓｔｉｃ　ｐａｒａｍｅｔｅｒｓ　ａｒｅ　ｉｎｔｒｏｄｕｃｅｄ　ｔｏ　ｉｍｐｒｏｖｅ　ｔｈｅ　ｅｆｉ—　ｆｃｉｅｎｃｙ　ｏｆ　ｅｏｎｖｅｒｇｅｎｃｅ　ａｔ　ｔｈｅ　ｆｉｒｓｔ　ｓｔａｇｅ　ａｎｄ　ｒｅｄｕｃｅ　ｔｈｅ　ａｍｏｕｎｔ　ｏｆ　ｃｏｍｐｕｔａｔｉｏｎ．Ｔｈｅ　ｉｍｐａｃｔ　ｏｆ　ｔｈｅ　ａｎｔ　ｃｏｌｏｎｙ　ａｌｇｏｒｉｔｍ　ｐａ－　ｈｒａｍｅｔｅｒｓ　ｓｅｔｔｉｎｇ　ｏｎ　ｔｈｅ　ｃｏｎｖｅｒｇｅｎｃｅ　ｏｆ　ｈｅ　ａｌｔｇｏｒｉｔｈｍ　ａｎｄ　ｓｏｌｖｉｎｇ　ｐｒｅｃｉｓｉｏｎ　ｉｓ　ａｎａｌｙｚｅｄ，ｔｈｅｎ　ａ　ｐａｒａｍｅｔｅｒ　ｓｅｒｆ－ａｄｊｕｓｔｍｅｎｔ　ｔａｃｔｉｃ　ｉｓ　ｐｒｏｐｏｓｅｄ　ｗｈｉｃｈ　ｃａｎ　ｓｐｅｅｄ　ｕｐ　ｔｈｅ　ｃｏｎｖｅｒｇｅｎｃｅ　ｒａｔｅ　ａｎｄ　ｉｍｐｒｏｖｅ　ｔｈｅ　ｇｌｏｂａｌ　ｓｅａｒｃｈ　ｃａｐａｂｉｌｉｔｙ．Ａ　ｃｏｍｐａｒｉｓｏｎ　ｏｆ　ｔｈｅ　ｓｉｍｕｌａｔｉｏｎ　ｒｅｓｕｌｔｓ　ｏｆ　ｓｏｌｖｉｎｇ　ｖｅｈｉｃｌｅ　ｐｒｏｂｌｅｍ　ｗｉｔｈ　ｂｏｔｈ　ｔｈｅ　ｓｔａｎｄａｒｄ　ａｎｔ　ｃｏｌｏｎｙ　ａｌｇｏｒｉｔｍ　ａｎｄ　ｔｈｅ　ｐｒｈｏｐｏｓｅｄ　ｏｎｅ　ｓｈｏｗｓ　ｔｈａｔ　ｔｈｅ　ｐｒｏｐｏｓｅｄ　ａｌｇｏｒｉｔｍ　ｉｓｈ　ｓｕｐｅｒｉｏｒ　ｔｏ　ｔｈｅ　ｓｔｎｄａａｒｄ　ｏｎｅ　ｉｎ　ｅｖｅｒｙ　ａｓｐｅｃｔ，ｔｈｕｓ　ｐｒｏｖｉｎｇ　ｉｔｓ　ｆｅａｓｉｂｉｌｉｔｙ　ａｎｄ　ｈｉｇｈ　ｅｆｉｃｉｆｅｎｃｙ．　Ｋｅｙｗｏｒｄｓ　ａｎｔ　ｃｏｌｏｎｙ　ａｌｇｏｒｉｔｈｍ；ｖｅｈｉｃｌｅ　ｐａｔｈ；ｏｐｔｉｍａｌ　ｐａｔｈ　随着我国经济的发展，人均车辆拥有量快速增　长，给城市交通造成压力，而城市交通问题已成为制　约经济发展的瓶颈之一。为交通网络中的车辆规划出　高效、适宜的行车路线，已成为交通管理系统急需解　决的问题。城市交通诱导系统是利用定位系统、电子　的是信息素。蚂蚁借助信息素进行协作觅食，信息素　指导后面蚂蚁的行进方向，高信息素会促使更多的蚂　蚁再次选择同一条路。ＡＣＳ不依赖具体的数学模型，　具有本质上的并行性，较强的鲁棒性，并表现出高度　的灵活性和强壮性。　地图、通讯技术，通过当前的交通状况为驾驶者提供　最优化的交通路线…。　由意大利学者Ｄｏｒｉｇｏ等人于１９９１年提出的蚁群　文中从分析蚁群算法人手，通过加入启发式因子　改进了蚂蚁算法，加快了收敛速度。增加启发式参　数，避免停留在局部最优解，提高了计算效率，实现　最优路径的选择，达到了优化城市交通网络的目的。　算法（ＡＣＳ）是解决复杂网络问题的新仿生类算法。蚁　群算法是自然界中蚂蚁所表现出的集体行为的数学总　结。蚂蚁群体所表现出来的高度结构化，可以通过简　１基本蚁群算法　蚁群算法的提出最初是为了解决旅行商问题　单的个体行为来实现。在蚂蚁的群居生活中，最重要　（ＴＳＰ）。以ＴＳＰ问题为例，初始时计算出城市ｉ和　之　收稿日期：２００９—０５—１９　基金项目：国家大学生创新性试验计划资助项目（０８１０７０１３９）　作者简介：雷登云（１９８８一），男，本科。研究方向：集成电　路与集成系统设计。赵炜（１９８８一），男，本科。研究方向：　问的路径长度，形成无向图Ｇ（Ｎ，Ｅ），其中　ｄ＝　，Ｎ　是城市数目，　是城市之间的连通边的集合。Ｂ　（　）表　示ｔ时刻位于城市的蚂蚁个数，蚁群中蚂蚁数量ｍ＝　Ⅳ　微电子学。王建（１９８８一），男，本科。研究方向：集成电路　与集成系统设计。　∑Ｂｉ（￡）；　表示ｔ时刻在边ｅ（　，　）上残留的信息量。　ｉ＝１　初始时刻各条路径上信息量相等，即下　（０）＝Ｃ，Ｃ为　雷登云，等：基于改进蚁群算法的车辆路径优化模型　常数。蚂蚁ｋ（　＝１，２，…，ｍ）在运动过程中，根据每条　路径上的信息量决定转移的方向，ｔ时刻蚂蚁ｋ由位置　转移到　的概率ｐ　（ｔ）设定为　ｐ　＝＝』　；。７７　（　）／　［　…　Ｔ；’７７　（ｆ）］，Ｊ．∈：ａｌｌｏｗｅｄｋ　ｔｏ．ｏｔｈｅｒｓ　（１）　其中，ａｌｌｏｗｅｄ　＝｛０，１，…，ｎ一１｝一ｔａｂｕ　表示蚂蚁　ｋ下一步允许选择的城市，ｔａｂｕ　（ｋ＝１，２，…，ｍ）　表示第　个蚂蚁的禁忌表，即蚂蚁ｋ已经经过的城　市，且随运动过程动态调整。叼　为由城市ｉ转移到城　市　的期望程度（又称可见度）。　为信息量７－　（ｔ）对　蚂蚁选择该路径的影响因子，卢为期望度叼　（ｔ）的影　响因子，它们是控制信息激素强度与可见度的相对重　要性的参数。　设信息激素的保留系数为Ｐ（０＜Ｐ＜１），它体现　了信息激素强度的持久性；而１一Ｐ表示信息激素的　消逝程度（信息激素蒸发）。经过　时段，蚂蚁完成　一次循环，各路径ｅ（　，　）上信息激素量需按式（２）　刷新　ｆ　（ｔ＋ｎ）＝（１一Ｐ）‘　（ｔ）＋Ｐ‘△　（Ａｔ）　｛【　ｍ　Ａｒ　（△　）＝∑ＡＴ　（２）　其中，△　ｋ　衣不－第ｋ只蚂蚁在本次循环（Ａｔ时间内）　中，在路径ｅ（ｉ，Ｊ．）边上留下的信息激素量。故△　（Ａｔ）表示全部ｍ只蚂蚁在本次循环（Ａｔ时间内）中在　路径ｅ（ｉ，　）边上留下的信息激素量；而△丁　用式（３）　计算　『Ｑ／　，若第ｋ只蚂蚁在本次循环中经过路径ｅ（ｉ，　）　△７－　＝＜　【０，ｏｔｈｅｒｓ　（３）　其中，Ｑ为常数，　表示第ｋ只蚂蚁在本次循环中所　走过路径的长度，它可表示为　＝Ｅ　ｄ　（４）　式（４）中，ｎ表示蚂蚁ｋ在本次循环中所漫游的城市　数目（ｎ≤Ⅳ）。　２改进的蚁群算法　２．１　ＴＳＰ与路径规划问题的区别　（１）在ＴＳＰ问题中，起始点与终止点是任意的，　因而在初始时蚂蚁可以随机的出现在任意一个城市。　而在路径规划问题中，起始节点与目标节点都是事先　确定的Ｈ　Ｊ。在ＴＳＰ问题中，起始节点与目标节点一　般是相同的，而在交通网络中，起始节点与目标节点　是不同的；　（２）在ＴＳＰ问题中，城市间的距离矩阵一般为对　称矩阵，即　＝　，而在城市交通中，上行与下行交　通状况不同，即ｄ　≠　；　（３）城市网络中节点数较大（２００以上），在初始　时计算城市距离耗费大量时间，且由于城市交通网络　的特殊性，距离矩阵往往是稀疏矩阵；　（４）城市交通网络中存在一个结点只发散一条　边，类似于陷阱，会使蚂蚁丧失前进能力，ＴＳＰ问题　中不存在此问题。　２．２适用于交通网络的蚁群算法　利用一般蚁群算法解决交通问题＿５一　，容易陷入　局部最优解。使用动态信息素权重的算法　ｊ，虽然提　高了蚁群算法跳出局部最优解的能力，但在初始时没　有有效地启发因子，初期搜索时具有盲目性，为此提　出以下改进方法。　２．２．１　启发式因子　在自然界中蚂蚁寻路除受信息素的影响外，还受　到食物的吸引。通过增加食物对蚂蚁的吸引力来提高　蚂蚁前往目标节点的效率。即在每个节点增加食物在　该节点的影响因素　Ｓ　＝ｋ．［ａｂｓ（Ｘ　一Ｘ　）＋ａｂｓ（　。ａｌ一　）］　（５）　其中，（Ｘ　。，　。　）为目标节点的坐标，（Ｘ　，Ｙｉ）为　第ｉ个节点的坐标，因为城市网络往往呈现一定的栅　格特性，这里选择曼哈顿距离作为距离的计算准　则∞Ｊ。５　在程序的执行过程中不会发生变化。参数ｋ　的选取必须合适，如果参数ｋ过小，则额外启发因素　起不到作用；如果ｋ选取过大，则信息素作用消失，　退化成为贪婪算法。　ｔ时刻蚂蚁ｋ由位置ｉ转移到的概率Ｐ：（ｔ）更新为　ｐ　｛ｆ　［ｒ；・　（　）＋Ｓｉｌｌ｛∑［日ｌｌ　ｒ；・　（ｆ）＋　Ｊ　ａｌｌｏｗｅｄ　ｔＯ，ｏｔｈｅｒｓ　（６）　在初始时刻，蚂蚁选择下一节点的概率由于有额　外信息素的影响而不再均等，蚂蚁趋向于前往离目标　节点接近的节点，加快初始时向目标节点靠近的速　度。随着时间的推移，信息素的浓度增加，蚂蚁受信　息素影响增加，使更多的蚂蚁通过在最优的道路。　２．２．２参数的改进　蚁群算法中参数　，　的选取会影响蚁群算法的　收敛速度与解的质量　Ｊ。参数　，ＪＢ分别表示信息素　９　雷登云，等：基于改进蚁群算法的车辆路径优化模型　及模拟运行时下一点对蚂蚁所起作用的重要性。若　＝随机生成每条道路的拥挤程度　，用数字１—４　表示，含义如表１所示。　表１拥挤程度　０，则靠近ｉ的城市将很可能被选出来，这时蚁群　算法退化为经典随机贪心算法，如果　＝０，那么只　有信息素的放大系数在起作用，没有任何与道路有关　的期望信息，特别当此时若　＞ｉ时，算法将很快陷　入局部最优解。　各路段的代价函数如式（８）所示　０．１×ｄ　，　，　一　为此采用自适应的方案改进参数：　（１）设定初始值　：ＯＬ。，卢＝　；　＝１　（２）如果相邻两代最优解与上次变化不大，说明　Ｄ　＝　（８）　运算有可能陷人局部最优解，应该减少信息素对蚂蚁　的影响。下一次采用如式（７）所示以更新　，　ｆ　…　‘…＝　‘　ｔ　，，８＞１　　，　为常数　（７）　（３）如果相邻两代最优解与上次变化很大，说明　受信息素影响过大，受期望度影响过小。下一次则采　用如式（８）所示以更新Ｏｔ，　』【　…　ｙ。　　ｆ＇　，　为常数　（８）　＝　‘　＋　，　＜１　２．２．３“陷阱”问题　若蚂蚁陷入一个陷阱中，则将该节点视为群体禁　忌表中的一点，于是下一代蚁群中蚂蚁的禁忌表不再　为空。这样下次蚂蚁在路口选择时受到禁忌表的约　束，“陷阱”被选中的概率为０，于是不再会有蚂蚁陷　在该陷阱中。　３仿真实验　采用某大学的简易地图作为算例。图１中包含　３９个路口，５６条路。下面分别使用文中提出的算法　和基本蚁群算法进行仿真实验，检测算法的性能（Ｓ　为起点，Ｇ为终点）。　图１校区地图　取０＝０．８，ｓ＝１．２，７：１．３，６＝０．６，ｋ＝　０．００２，其余参数两种算法相同，分别取Ｏｔ。＝１．０，　＝２．０，Ｐ＝０．１，Ｑ＝８。　ＪＤ　３×ｄ　，　＝３　１００　Ｘ　ｄ　，ｇｏ＝４　其中，　为ｉ，Ｊ之间的道路长度，通过调节代价函　数，使所获得的路径满足驾驶真实需求，算法不再寻　找路径最短，改为寻找最优解。　通过对比图２和图３可以看出，改进型算法增加　了启发因子，在初期的选择中蚂蚁更倾向于向接近于　目标节点靠近，种群的平均距离比较小，加快了收敛　速度。后期由于有启发因子的调节，蚂蚁不断改变策　略，于是平均值变化较大，易于跳出局部最优。０　９　８　７　６　５　４　３　２　ｌ　　１０　９　８　７　趔６　５　４　３　２　１　Ｏ　１０　２０　３０　４０　５０　６０　７０　８０　９Ｏ　ｌＯ０　ｆ　图３　改进算法单代平均值　图４和图５给出了每次执行获得的最优解的变　化。由于初始时增强了对目标节点的导向性，即在开　始时改进算法获得了较好的开始值，提高了蚁群接近　于目标节点的速度，加快了收敛速度，在短时间内寻　找到最优值，减少消耗的计算资源。　（下转第ｌ４页）　于洋：基于ＯＴＳＵ和局部阈值的二次肺实质分割算法　２　结束语　为了解决现有方法对于ＣＲ胸片图像因其肺实质　边缘模糊导致分割不理想的问题，提出了一种新的基　于ＯＴＳＵ和局部阈值的二次肺实质分割算法。通过　Ａ　Ｐｕｂｌｉｃ　Ｄａｔａｂａｓｅ　Ｒｅｖｉｓｅｄ　Ｖｅｒｓｉｏｎ［Ｊ］．Ｍｅｄ．Ｉｍａｇｅ　Ａ－　ｎａｌ，２００６，１０（１）：１９—４０．　ｈ　Ｇ．Ｕｓｉｎｇ　Ｈｅｕｒｉｓｔｉｃｓ　ｆｏｒ　ｔｈｅ　Ｌｕｎｇ　Ｆｉｅｌｄｓ　［３］　Ｇａｄｏｓ　Ｄ，ＨｏｒｖａｔＳｅｇｍｅｎｔａｔｉｏｎ　ｉｎ　Ｃｈｅｓｔ　Ｒａｄｉｏ　Ｇｒａｐｈｓ［Ｃ］．１　ｌ　ｔｈ　Ｍｅｄｉｔｅｒｒａ—　ｎｅａｎ　Ｃｏｎｆｅｒｅｎｃｅ　ｏｎ　Ｍｅｄｉｃａｌ　ａｎｄ　Ｂｉｏｍｅｄｉｃａｌ　Ｅｎｇｉｎｅｅｒｉｎｇ　ａｎｄ　Ｃｏｍｐｕｔｉｎｇ，２００７，１６：８０２—８０５．　ＯＴＳＵ自适应阈值分割和基于坐标的局部分割两种不　同的分割方法分两次将肺实质从背景中分割出来。实　ｋｅｓｈｉ　Ｈａｒａ，Ｈｉｒｏｓｈｉ　Ｆｕｊｉｔａ，Ｊｉｎｇ　Ｘｕ，ｅｔ　ａ１．Ｄｅｖｅｌｏｐｍｅｎｔ　［４］　Ｔａｏｆ　Ａｕｔｏｍａｔｅｄ　Ｄｅｔｅｃｔｉｏｎ　Ｓｙｓｔｅｍ　ｆｏｒ　Ｌｕｎｇ　Ｎｏｄｕｌｅｓ　ｉｎ　Ｃｈｅｓｔ　Ｒａ－　验证明了该方法对于肺实质边缘清晰或者模糊的情况　ｄｉｏｇｒａｍｓ［Ｊ］．ＩＥＥＥ　Ｔｒａｎｓ．Ｍｅｄ．Ｉｍａｇ，１９９７：７１—７４．　都能达到比较理想的分割效果。　［５］　ＭｃＮｉｔｔ　Ｇｒａｙ　Ｍ，Ｓａｙｒｅ　Ｊ，Ｈｕａｎｇ　Ｈ，ｅｔ　ａ１．Ａ　Ｐａｔｔｅｒｎ　Ｃｌａｓ—　参考文献　ｓｉｆｉｃａｔｉｏｎ　Ａｐｐｒｏａｃｈ　ｔｏ　Ｓｅｇｍｅｎｔａｔｉｏｎ　ｏｆ　Ｃｈｅｓｔ　Ｒａｄｉｏｇｒａｐｈｓ　［Ｃ］．Ｐｒｏｃ．ＳＰＩＥ，１９９３，１８９８：１６０—１７０．　Ｃｈｅｎ　Ｓｈｉｆｅｎｇ，Ｃａｏ　Ｌｉａｎｇｌｉａｎｇ，Ｌｉｕ　Ｊｉａｎｚｈｕａｎｇ，ｅｔ　ａ１．Ａｕ—　［６］　Ｔｓｕｊｉｉ　Ｏ，Ｆｒｅｅｄｍａｎ　Ｍ，Ｍｕｎ　Ｓ．Ａｕｔｏｍａｔｅｄ　Ｓｅｇｍｅｎｔａｔｉｏｎ　ｔｏｍａｔｉｃ　Ｓｅｇｍｅｎｔａｔｉｏｎ　ｏｆ　Ｌｕｎｇ　Ｆｉｅｌｄｓ　ｆｒｏｍ　Ｒａｄｉｏｇｒａｐｈｉｃ　Ｉｍａ—　ｏｆ　Ａｎａｔｏｍｉｃ　Ｒｅｇｉｏｎｓ　ｉｎ　Ｃｈｅｓｔ　Ｒａｄｉｏｇｒａｐｈｓ　Ｕｓｉｎｇ　ａｎ　Ａｄａｐｔｉｖｅ　ｇｅｓ　ｏｆ　ＳＡＲＳ　Ｐａｔｉｅｎｔｓ　Ｕｓｉｎｇ　ａ　Ｎｅｗ　Ｇｒａｐｈ　Ｃｕｔｓ　Ａｌｇｏｒｉｔｈｍ　—ｓｉｚｅｄ　Ｈｙｂｒｉｄ　Ｎｅｕｒａｌ　Ｎｅｔｗｏｒｋ［Ｊ］．Ｍｅｄ　Ｐｈｙｓ，１９９８，２５　［Ｊ］．ＩＥＥＥ　ＩＣＰＲ，２００６（１）：２７１—２７４．　（６）：９９８—１００７．　［２］　Ｂｒａｍ　Ｖａｎ　Ｇｉｎｎｅｋｅｎ，Ｍｉｋｋｅｌ　Ｂ　Ｓｔｅｇｍａｎｎ，Ｍａｒｃｏ　Ｌｏｏｇ，　［７］　Ｐａｏｌａ　Ｃａｍｐａｄｅｌｌｉ，Ｅｌｅｎａ　Ｃａｓｉｒａｇｈｉ．Ｌｕｎｇ　ＦｉＩ］二　　ｅｌｄ　Ｓｅｇｍｅｎｔａ—］　　］ｅｔ　ａ１．Ｓｅｇｍｅｎｔａｔｉｏｎ　ｏｆ　Ａｎａｔｏｍｉｃａｌ　Ｓｔｒｕｃｔｕｒｅｓ　ｉｎ　Ｃｈｅｓｔ　Ｒａｄｉ．　ｔｉｏｎ　ｉｎ　Ｄｉｓｔｌａ　Ｐｏｓｔｅｒｏａｎｔｅｒｉｏｒ　Ｃｈｅｓｔ　Ｒａｄｉｏｇｒａｐｈｓ［Ｃ］．ＩＣＡ－　ｏｇｒａｐｈｓ　Ｕｓｉｎｇ　Ｓｕｐｅｒｖｉｓｅｄ　Ｍｅｔｈｏｄｓ　Ａ　Ｃｏｍｐａｒａｔｉｖｅ　Ｓｔｕｄｙ　ｏｎ　ＰＲ　２００５，２００５（２）：７３６—７４５．　－・－４－　（上接第１０　够加快收敛速度，提高跳出局部最优解的能力，进一　琏　步改善了蚁群算法，为该类优化问题提供了优化　方式。　参考文献　赵家俊，于宝琴．现代物流配送管理［Ｍ］．北京：北京　图４基本蚁群算法最优解　大学出版社，２００４．　Ｃｏｌｏｒｎｉ　Ａ，Ｄｏｒｉｇｏ　Ｍ，Ｍａｎｉｅｚｚｏ　Ｖ．Ｄｉｓｔｒｉｂｕｔｅｄ　Ｏｐｔｉｍｉｚａｔｉ　ｏｎ　ｂｙ　Ａｎｔ　Ｃｏｌｏｎｉｅｓ［Ｃ］．Ｐａｒｉｓ：Ｐｒｏｃ　ｏｆ　Ｅｕｒｏｐｅａｎ　Ｃｏｎｆｅｒ－　ｅｎｃｅ　ｏｆ　Ａｒｔｉｉｆｃｉａｌ　Ｌｉｆｅ，１９９１：１３４２—１４４．　Ｄｏｒｉｇｏ　Ｍ，Ｂｏｎａｂｅａｕ　Ｅ，Ｔｈｅｒａｕｌａｚ　Ｇ．Ａｎｔ　Ａｌｇｏｒｉｔｈｍ　ａｎｄ　Ｓｔｉｇｍｅｒｇｙ［Ｊ］．Ｆｕｔｕｒｅ　Ｇｅｎｅｒａｔｉｏｎ　Ｃｏｍｐｕｔｅｒ　Ｓｙｓｔｅｍｓ．　２０００，１６（６）：８５１—８７１．　温惠英，徐建闽．基于改进型蚁群算法的车辆导航路径　规划研究［Ｊ］．公路交通科技，２００９，１（２６）：１２５　图５改进算法最优解　１２９．　４结束语　范红平，陈丽娟，杨国军，等．ＧＡＡＡ算法在直线步进　电机控制中的应用［Ｊ］．电子科技，２００６（１０）：５１—　文中从基本的蚁群算法人手，针对交通问题的特　５４．５８．　殊性，提出了增加启发式因子，通过“食物”的吸引。　靳凯文，李春葆，秦前清．基于蚁群算法的最短路径搜索　加快了算法的收敛速度，同时为了增强算法跳出局部　方法研究［Ｊ］．公路交通科技，２ＯＯ６，２３（３）：１２８—１３４．　最优解的能力，增加了参数的自适应能力。随后的仿　崔振兴，顾治华．基于Ａ　算法的游戏地图最短路径搜　真试验表明，文中改进算法与基本蚁群算法相比，能　索［Ｊ］．软件导刊，２００７（１７）：１４５—１４７．　１４