【正文】 長度。 break。 //取一個(gè)隨機(jī)數(shù) for (int i=0。為了選取一個(gè)染色體，要做的就是旋轉(zhuǎn)這個(gè)輪子，直到輪盤停止時(shí)，看指針停止在哪一塊上，就選中與它對應(yīng)的那個(gè)染色體。 輪盤賭選擇 輪盤賭選擇基本思想個(gè)體被選中的概率與其適應(yīng)度函數(shù)值成正比。第3章 改進(jìn)的蟻群算法（1）采用輪盤賭選擇代替了基本框架中通過啟發(fā)式函數(shù)和信息素選擇路徑，改進(jìn)蟻群算法的信息素傳遞參數(shù)，讓整個(gè)算法更快速的找到最優(yōu)解。DBQ過小，則信息素濃度增長太慢，正反饋信息太少，使算法難以收斂。對于TSP問題，不同的問題規(guī)模，ρ的曲子也不盡相同。如前所述，在算法模型中，參數(shù)ρ表示信息素?fù)]發(fā)度，其大小直接關(guān)系到蟻群算法的全局搜索能力及其收斂速度；1ρ信息素殘留印子，反映了螞蟻個(gè)體之間相互影響的強(qiáng)弱。而已有研究表明：β過小，講導(dǎo)致螞蟻群體陷入純粹的隨機(jī)搜索，在此情況下很難找到最優(yōu)解；β過大，螞蟻在局部點(diǎn)上選擇局部最短路徑的可能性越大，雖然加快了收斂速度，但減弱了隨機(jī)性，易陷入局部最優(yōu)。α越大，螞蟻選擇以前走過的路徑可能性就越大，實(shí)現(xiàn)自催化過程，但搜索的隨機(jī)性減弱；α越小，易使蟻群算法過早陷入局部最優(yōu)。N_ANT_COUNT大，會提高蟻群算法的全局搜索能力和穩(wěn)定性，但數(shù)量過大會導(dǎo)致大量曾被搜索過的路徑上的信息素變化趨于平均，信息正反饋?zhàn)饔脺p弱，隨機(jī)性增強(qiáng)，收斂速度減慢。 蟻群算法的參數(shù)分析 從蟻群算法的模型中可以看出，蟻群算法的參數(shù)空間龐大，合適的參數(shù)組合能夠過有全局收喲能力和較快的瘦臉術(shù)的，不合適的參數(shù)組合則會使得算法收斂較慢或者達(dá)到局部最優(yōu)解。 //最新的環(huán)境信息素 = 留存的信息素 + 新留下的信息素 } }}（4）檢查終止條件如果達(dá)到最大迭代次數(shù)，算法終止，輸出最終最優(yōu)解；否則，執(zhí)行（5），輸出當(dāng)前迭代最優(yōu)解，重新初始化所有的螞蟻的路徑矩陣所有元素初始化為0，禁忌表表清空，允許表表中加入所有的城市節(jié)點(diǎn)。iN_CITY_COUNT。 } //最后城市和開始城市之間的信息素 n=m_cAntAry[i].m_nPath[0]。j++) { m=m_cAntAry[i].m_nPath[j]。 for (int i=0。}（3）更新環(huán)境信息素//更新環(huán)境信息素,基本算法//*void CTsp::UpdateTrial(){ //臨時(shí)保存信息素 double dbTempAry[N_CITY_COUNT][N_CITY_COUNT]。iN_CITY_COUNT。iiN_CITY_COUNT。 //該城市和當(dāng)前城市間的信息素 dbTotal=dbTotal+prob[i]。 double prob[N_CITY_COUNT]。 //標(biāo)識出發(fā)城市為已經(jīng)去過了 m_nAllowedCity[m_nCurCityNo]=0。 //設(shè)置全部城市為沒有去過 m_nPath[i]=0。 蟻群算法的核心函數(shù)（1）初始化將所有城市設(shè)置為沒有去過，清空螞蟻?zhàn)哌^的路徑編號（置0），螞蟻?zhàn)哌^長度設(shè)置0，并隨機(jī)選取一個(gè)出發(fā)點(diǎn)，以及標(biāo)識改點(diǎn)走過。其次，蟻群算法的參數(shù)數(shù)目少，設(shè)置簡單，易于蟻群算法應(yīng)用到其它組合優(yōu)化問題的求解。（3）蟻群算法是一種正反饋的算法從真實(shí)螞蟻的覓食過程中我們不難看出，螞蟻能夠最終找到最短路徑，直接依賴于最短 路徑上信息激素的堆積，而信息激素的堆積卻是一個(gè)正反饋的過程。蟻群算法充分體現(xiàn)了這個(gè)過程，以螞蟻群體優(yōu)化為例子說明。比如，當(dāng)一只螞蟻找到了食物，它并沒有直接告訴其它螞蟻這兒有食物，而是向環(huán)境播撒信息素，當(dāng)其它的螞蟻經(jīng)過它附近的時(shí)候，就會感覺到信息素的存在，進(jìn)而根據(jù)信息素的指引找到了食物。為了防止螞蟻原地轉(zhuǎn)圈，它會記住剛才走過了哪些點(diǎn)，如果發(fā)現(xiàn)要走的下一點(diǎn)已經(jīng)在之前走過了，它就會盡量避開。這就是人工生命、復(fù)雜性科學(xué)解釋的規(guī)律！那么，這些簡單規(guī)則是什么呢？ 螞蟻覓食規(guī)則在每只螞蟻能感知的范圍內(nèi)尋找是否有食物，如果有就直接過去。 蟻群算法的原理設(shè)想，如果我們要為螞蟻設(shè)計(jì)一個(gè)人工智能的程序，那么這個(gè)程序要多么復(fù)雜呢？首先，你要讓螞蟻能夠避開障礙物，就必 須根據(jù)適當(dāng)?shù)牡匦谓o它編進(jìn)指令讓他們能夠巧妙的避開障礙物，其次，要讓螞蟻找到食物，就需要讓他們遍歷空間上的所有點(diǎn)；再次，如果要讓螞蟻找到最短的路 徑，那么需要計(jì)算所有可能的路徑并且比較它們的大小，而且更重要的是，你要小心翼翼的編程，因?yàn)槌绦虻腻e(cuò)誤也許會讓你前功盡棄。但是當(dāng)有螞蟻?zhàn)哌^時(shí)，它將會在它行進(jìn)的路上釋放出信息素，并且這種信息素會議一定的速率散 發(fā)掉。蟻群算法是一種仿生學(xué)算法，是由自然界中螞蟻覓食的行為而啟發(fā)的。它由Marco Dorigo于1992年在他的博士論文中提出，其靈感來源于螞蟻在尋找食物過程中發(fā)現(xiàn)路徑的行為。（2） 蟻群算法的優(yōu)化根據(jù)蟻群算法的基本原理做出優(yōu)化，避免蟻群算法的缺點(diǎn)，在迭代次數(shù)盡量少，迭代結(jié)果盡量趨近最優(yōu)解的情況下做出優(yōu)化。楊善林人等提出一種基于蟻群優(yōu)化的混合算法來解決VRP。鞍山鋼鐵學(xué)院李大衛(wèi)和東北大學(xué)姜大力等分別針對有時(shí)間窗和無時(shí)間窗約束下的車輛路徑問題用基因編碼遺傳算法求解，結(jié)果在較快速度下得到了近優(yōu)解。蟻群算法、啟發(fā)式算法以及一些混合算法被學(xué)者們廣泛的利用，代表了較近的研究思想。1996年，有效的求解出帶時(shí)間窗限制的VRP。1974年，Wren Gillett等人提出掃描算法，將該算法應(yīng)用于車輛調(diào)度問題，并和當(dāng)時(shí)其它算法進(jìn)行了比較，證明該算法所求得的解較優(yōu)于其它方法。自從VRP被Dantzig和Ramser于1959年提出之后，很快就引起了運(yùn)籌學(xué)、應(yīng)用數(shù)學(xué)、物流科學(xué)、計(jì)算機(jī)科學(xué)等各個(gè)學(xué)科專家學(xué)者與運(yùn)輸計(jì)劃制定者和管理者的極大重視，成為運(yùn)籌學(xué)與組合優(yōu)化領(lǐng)域的前沿問題和研究熱點(diǎn)。合理使用優(yōu)化運(yùn)輸路線，降低企業(yè)物流成本，是物流管理的很重要內(nèi)容。物流業(yè)被譽(yù)為經(jīng)濟(jì)發(fā)展動脈的“加速器”和商業(yè)結(jié)果演變的“潤滑劑”，現(xiàn)代企業(yè)的“第三利潤源泉”。而由于蟻群算法中螞蟻的個(gè)體行為具有內(nèi)在的并行性，因此可以考慮將算法進(jìn)行分布式并行處理來縮短算法的運(yùn)行時(shí)間。蟻群算法在解決TSP問題時(shí)具有許多優(yōu)良性質(zhì)，但也存在著兩個(gè)主要的缺陷：收斂速度較慢，并且容易出現(xiàn)停滯。本科畢業(yè)生設(shè)計(jì)（論文）蟻群算法在車輛路徑優(yōu)化中的應(yīng)用畢業(yè)論文目錄摘 要 2ABSTRACT 3第1章 緒論 6 研究目的和意義 6 國內(nèi)外研究現(xiàn)狀 7 國外研究現(xiàn)狀 7 國內(nèi)研究現(xiàn)狀 8 本文研究內(nèi)容 9（1） 基本蟻群算法 9（2） 蟻群算法的優(yōu)化 9（3） 蟻群算法在TSP問題中的應(yīng)用 9 開發(fā)環(huán)境與工具 9 論文的組織結(jié)構(gòu) 10第2章 蟻群算法 10 蟻群算法簡介 10 蟻群算法的原理 11 螞蟻覓食規(guī)則 12 螞蟻移動規(guī)則 12 螞蟻避障規(guī)則 12 螞蟻撒信息素規(guī)則 12 蟻群算法的特點(diǎn)及優(yōu)缺點(diǎn) 13 蟻群算法的特點(diǎn) 13 蟻群算法的優(yōu)點(diǎn) 14 蟻群算法的缺點(diǎn) 14 蟻群算法的核心函數(shù) 15（1）初始化 15（2）選擇下一個(gè)城市，返回城市編號 15（3）更新環(huán)境信息素 17（4）檢查終止條件 18（5）輸出最優(yōu)值 18 蟻群算法的參數(shù)分析 19 螞蟻數(shù)量N_ANT_COUNT 19 啟發(fā)因子 19 期望啟發(fā)因子 20 信息素?fù)]發(fā)度 20 總信息量（DBQ） 21第3章 改進(jìn)的蟻群算法 21 輪盤賭選擇 22 輪盤賭選擇基本思想 22 輪盤賭選擇工作過程 22 MAX_MIN ACO 24 MAX_MIN算法的框架結(jié)構(gòu) 24 MAX_MIN 算法流程圖 26第4章 蟻群算法在車輛路徑問題中的應(yīng)用 28 車輛路徑問題簡介 28 車輛路徑問題定義 28 車輛路徑問題分類 29 車輛路徑問題的求解算法 29 精確算法 29 啟發(fā)式算法 30 蟻群算法解決車輛路徑問題 31 數(shù)值實(shí)驗(yàn)結(jié)果及分析 33 輪盤賭選擇優(yōu)化前后數(shù)據(jù)對比 33 MAX_MIN算法改進(jìn)前后數(shù)據(jù)對比 34第5章 總結(jié)與展望 36參考文獻(xiàn) 36第1章 緒論 TSP問題是一種特殊的車輛路徑問題，是作為所有組合優(yōu)化問題的范例而存在的，它已成為并將繼續(xù)成為測試組合優(yōu)化新算法的標(biāo)準(zhǔn)問題。而蟻群算法（AC）是由意大利學(xué)者M(jìn)acro Dorigo等人在20世紀(jì)90年代提出來的[1]，它是繼模擬退火算法、遺傳算法、禁忌搜索算法、人工神經(jīng)網(wǎng)絡(luò)算法等之后的一種新型的啟發(fā)式算法，已成功地應(yīng)用于求解TSP問題。另外，人們也注意到：改進(jìn)后的蟻群算法在解決大型的TSP問題時(shí)，關(guān)鍵參數(shù)的設(shè)置和信息素的更新將花費(fèi)很長的時(shí)間。物流業(yè)這是專門從事物流活動的行業(yè)，從企業(yè)銷售成本和商品價(jià)格組成角度考察，物流業(yè)蘊(yùn)藏著巨大的商機(jī)。在國家“十一五規(guī)劃”中講“大力發(fā)展現(xiàn)代物流”作為今后重點(diǎn)發(fā)展的領(lǐng)域，明確提出“十一五”結(jié)束即2010年，全社會物流成本要比2004年的計(jì)策上下降2—3個(gè)百分點(diǎn)。 國內(nèi)外研究現(xiàn)狀車輛路徑問題的研究有著現(xiàn)實(shí)的經(jīng)濟(jì)意義和學(xué)術(shù)意義。1971年，Eilon提出將動態(tài)規(guī)劃法用于固定車輛數(shù)的VRP，通過遞歸方法求解。1991年，Gendreau等人將禁忌搜索方法應(yīng)用于VRP，它是比較好的啟發(fā)式算法，可以成功地應(yīng)用于許多經(jīng)典的VRP。近年來，我國