基于参数动态调整策略的蚁群算法优化及应用研究

王兵+刘佩+周亦鹏

摘 要：物流配送路径问题已成为现在关注的热点，寻找一种有效全局优化的算法对研究该问题起着至关重要的作用。本文提出了一种改进的蚁群算法，通过适当调整相关参数和信息素规则，试图提高算法的运算性能。并结合Matlab7.0编写程序进行仿真，基于实验结果验证了改进后的蚁群算法的高效性，为研究物流配送路径算法提供了一种新思路。

关键词：配送路径；蚁群算法；信息素

中图分类号：TP301 文献识别码：A

蚁群算法是20世纪末意大利学者Dorigo提出的一种仿生计算方法。在解决路径优化问题上具有很好的适用性，特别是解决TSP问题和路径分配问题。但如何能提高收敛速度和全局搜索能力原则，一直是研究的重点。本文提出一种改进的蚁群算法优化方法，通过适当调整相关参数和信息素规则，以求在物流配送路径选择方面获得更好的效果。

1.物流配送路径数学模型

已知一个物流中心有k辆车，车载量是qk，要完成N个目客户点的配送任务。客户点为i，该点需求量为gi，maxgi≤maxqk，求符合要求的车辆最短路径。设客户点i到j总运输成本cij、车辆一次运送成本c0、车辆路程c1、其他成本c2，p1p2为行驶路程和额外成本费用系数。xxjk，yki取0或1分别代表k车从点i到点j，客户i需求由k车完成，否则均为0配送中心等待。数学模型如下：

2.蚁群算法及其改进

2.1 蚁群算法

其中，Q表示信息素强度，即：某只蚂蚁在走过所有的城市后，留在线路上的信息量的总和，该值通常取为正常数即可。Lk描述的是在该次迭代过程中，蚂蚁k路过的线路的总距离。

2.2 基于参数动态调整策略的蚁群算法优化

蚁群算法在求解配送问题时，需要提高收敛速度的同时也要保证全局搜索能力。本文提出一种算法参数的动态调整策略来实现算法的优化。影响蚁群算法的计算效率和效果的参数包括：信息启发因子α、期望值启发因子β、信息素残留系数ρ和信息素强度Q等。根据以上影响因素，因为α与β两个因子具有相似的特性，本文的α，β值采用随循环次数的增大而逐渐变小的策略来使算法的性能得到增强。将α值取大一点，随后逐渐降低α值。方法如下：

根据实验结果，平均最优费用为6573，平均迭代次数为46。而文獻[2]中研究的最好结果是平均最优费用为7258，平均迭代次数为56。因此，本文算法参数动态调整策略和信息素更新策略，能够在物流配送路径优化问题上获得更好的性能优化效果。

结论

面向物流配送路径问题，建立了配送路径选择的数学模型，并分析了影响蚁群算法计算效率的因素。针对蚁群算法的性能优化问题，对蚁群算法进行改进，并引用物流实例数据进行仿真实验，实验表明本文提出的动态调整算法参数的策略和信息素更新策略较为明显地提高了算法的性能，从而为蚁群算法，解决物流配送路径问题提供帮助。

参考文献

[1]林博.改进遗传算法在物流配送中的应用研究[D].辽宁科技大学，2016.

[2]张欣钰.半开放式多配送中心车辆路径优化问题研究[D].大连：大连海事大学，2014.

[3]石华瑀.改进的蚁群算法在实际VRP中的应用研究[D].山东大学，2012.

[4]王进.蚁群算法在物流系统中的应用研究[D].南昌大学，2008.

[5]沈彬.改进蚁群算法在物流配送中的应用研究[D].浙江大学，2004.