CN103903053A - 一种基于蚁群优化和遗传算法的粗粒度并行算法 - Google Patents
一种基于蚁群优化和遗传算法的粗粒度并行算法 Download PDFInfo
- Publication number
- CN103903053A CN103903053A CN201410026790.0A CN201410026790A CN103903053A CN 103903053 A CN103903053 A CN 103903053A CN 201410026790 A CN201410026790 A CN 201410026790A CN 103903053 A CN103903053 A CN 103903053A
- Authority
- CN
- China
- Prior art keywords
- ant
- ant group
- minimum
- iteration
- algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Abstract
本发明公开了一种基于蚁群优化和遗传算法的粗粒度并行算法,初始化m只蚂蚁的起始城市;蚁群周游一次,将周游结果作为GA的初始种群;蚁群周游一次,计算并记录本次周游具有最短路径的蚂蚁;运行GA的选择算子、GA的杂交算子、GA的变异算子;若迭代过程达到预先设定的迭代条件,计算并输出运行时间,输出最优解。经过大量计算表明,该并行算法的计算速度优于同等串行算法。
Description
技术领域
本发明涉及一种求解旅行商问题的并行蚁群遗传算法,具体涉及一种基于蚁群优化和遗传算法的粗粒度并行算法。
背景技术
旅行商问题是一个经典的组合优化问题,是NP完全问题。也就是说随着问题规模的增大,计算时间以指数阶增加。串行算法的计算时间在求解小规模旅行商问题实例时还可以接受,但是在求解中等规模计算实例的时候计算时间可以达到几十分钟,几个小时。
发明内容
为了克服现有技术中的缺陷,解决上述技术问题,本发明提供一种基于蚁群优化和遗传算法的粗粒度并行算法。
其技术方案如下:
一种基于蚁群优化和遗传算法的粗粒度并行算法,包括以下步骤:
A、各进程初始化Initialization of Each Process(IofEP):
A1初始化m只蚂蚁的起始城市;
A2蚁群周游一次,将周游结果作为GA的初始种群;
B、各进程实施遗传蚁群合作方法Cooperation ofAnt Colony Optimization and Genetic Algorithm byEach Process(Co-ACO-GAbyEP):
B1蚁群周游一次,计算并记录本次周游具有短路径的蚂蚁NumShortPathing;
B2运行GA的选择算子;
B3运行GA的杂交算子;
B4运行GA的变异算子;
B5计算并记录本次GA的最小个体MinGeti;
B6如果本次周游蚁群最优蚂蚁的最短路径小于GA的最小个体的适应值,即(Lenth[NumShortPathing]<NextColony[MinGeti].Fitness)并且,这两者之中的较小值比上一次迭代所得的最小值小,用蚁群最优路径更新GA最小个体的染色体序列;
如果本次迭代GA的最小个体的适应值小于蚁群最好蚂蚁的最短路径,即(NextColony[MinGeti].Fitness<Lenth[NumShortPathing])并且,这两者之中的较小值比上一次迭代所得的最小值小,用GA最小个体的染色体序列更新蚁群最优路径;
B7)如果迭代次数是一个素数的倍数,主进程收集各进程最优解,计算截止此次迭代具有最小值的进程号,并且将这个最小值及路径广播;
B8)主进程判断此次迭代若达到实例最优解,则输出最优解及计算时间,强制退出程序;否则输出本次迭代最优解;
B9)各进程对蚁群进行全局信息素更新;
B10)如果迭代次数是另一个素数的倍数,则用蚁群的部分路径更新GA的部分染色体序列;
C、重复步骤B,若迭代过程达到预先设定的迭代条件,转步骤D;.
D、计算并输出运行时间,输出最优解。
进一步优选,选择国际库TSPLIB中的实例KroA100进行计算,优化蚁群参数为:进程个数NofP取2,蚂蚁个数m取50,初始信息素浓度τ0取20,α=0.1,β=5,Q=100000;遗传相关参数:杂交概率Pc取0.4,变异概率Pm取0.6。
本发明的有益效果:
通过对国际库中其它实例的大量计算表明,该方法充分展示蚁群和遗传方法各自的优点,避免陷入局部最优,能够搜索到实例最优解。为中小规模TSP实例提供了一种解决方案。
附图说明
图1为本发明基于蚁群优化和遗传算法的粗粒度并行算法的流程图。
具体实施方式
下面结合附图和具体实施方式对本发明的技术方案作进一步详细地说明。
参照图1,一种基于蚁群优化和遗传算法的粗粒度并行算法,包括以下步骤:
A、各进程初始化Initialization of Each Process(IofEP):
A1初始化m只蚂蚁的起始城市;
A2蚁群周游一次,将周游结果作为GA的初始种群;
B、各进程实施遗传蚁群合作方法Cooperation of Ant Colony Optimization andGeneticAlgorithm byEach Process(Co-ACO-GAbyEP):
B1蚁群周游一次,计算并记录本次周具有最知路径的蚂蚁NumShortPathing;
B2运行GA的选择算子;
B3运行GA的杂交算子;
B4运行GA的变异算子;
B5计算并记录本次GA的最小个体MinGet i;
B6如果本次周游蚁群最优蚂蚁的最短路径小于GA的最小个体的适应值,即(Lenth[NumShortPathing]<NextColony[MinGeti].Fitness)并且,这两者之中的较小值比上一次迭代所得的最小值小,用蚁群最优路径更新GA最小个体的染色体序列;
如果本次迭代GA的最小个体的适应值小于蚁群最好蚂蚁的最短路径,即(NextColony[MinGeti].Fitness<Lenth[NumShortPathing])并且,这两者之中的较小值比上一次迭代所得的最小值小,用GA最小个体的染色体序列更新蚁群最优路径;
B7)如果迭代次数是一个素数的倍数,主进程收集各进程最优解,计算截止此次迭代具有最小值的进程号,并且将这个最小值及路径广播;
B8)主进程判断此次迭代若达到实例最优解,则输出最优解及计算时间,强制退出程序;否则输出本次迭代最优解;
B9)各进程对蚁群进行全局信息素更新;
B10)如果迭代次数是另一个素数的倍数,则用蚁群的部分路径更新GA的部分染色体序列;
C、重复步骤B,若迭代过程达到预先设定的迭代条件,转步骤D;.
D、计算并输出运行时间,输出最优解。
进一步优选,选择国际库TSPLIB中的实例KroA100进行计算,优化蚁群参数为:进程个数NofP取2,蚂蚁个数m取50,初始信息素浓度τ0取20,α=0.1,β=5,Q=100000;遗传相关参数:杂交概率Pc取0.4,变异概率Pm取0.6。
本发明算法的计算实例取自于国际数据库TSPLIB,在TSPLIB中有大量的计算实例,包括Eil51,KroA100,Lin318,Pcb442等,经过大量计算表明,该并行算法的计算速度优于同等串行算法,而它能搜索到实例的精确解也体现了它强大的搜索能力。由于TSP(旅行商问题)是一个经典的组合优化问题,我们的算法能够适用于TSP问题,也适用于求解其它约束组合优化问题,乳品企业原奶车辆运输路径问题,如医药派送车辆路径问题,车辆路径问题,运钞车辆路径问题,邮政物流车辆路径问题等等。本算法相关计算结果和数据如下表:
表1参数表
TSP实例 | n | n | α | β | q0 | τ0 | ρ | C0 | Q | pc | pm |
Eil51 | 51 | 50 | 0.1 | 6 | 0.5 | 20 | 0.1 | 8 | 1000 | 0.4 | 0.6 |
KroA100 | 100 | 50 | 0.1 | 5 | 0.5 | 20 | 0.1 | 8 | 100000 | 0.4 | 0.6 |
Pcb442 | 442 | 400 | 0.1 | 5 | 0.5 | 20 | 0.1 | 8 | 100000 | 0.4 | 0.6 |
表2计算20次的各实例的平均解,最好解和实际最优解比较
实例名 | 进程数 | 本算法平均解 | 本算法最优解 | 实际最优解 |
Eil51 | 2 | 429 | 426 | 426 |
KroA100 | 2 | 21356 | 21282 | 21282 |
Pcb442 | 4 | 52664 | 50884 | 50778 |
表3计算20次的各实例的计算时间与串行算法比较
实例名 | 进程数(NofP) | 本算法平均计算时间 | 串行算法的平均计算时间 |
Eil51 | 2 | 18.560560s | 48.875360s |
KroA100 | 2 | 60.999340s | 253.001256s |
Pcb442 | 4 | 894.000346s | 2194.708802s |
以上所述,仅为本发明较佳的具体实施方式,本发明的保护范围不限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,可显而易见地得到的技术方案的简单变化或等效替换均落入本发明的保护范围内。
Claims (2)
1.一种基于蚁群优化和遗传算法的粗粒度并行算法,其特征在于,包括以下步骤:
A、各进程初始化:
A1初始化m只蚂蚁的起始城市;
A2蚁群周游一次,将周游结果作为GA的初始种群;
B、各进程实施遗传蚁群合作方法:
B1蚁群周游一次,计算并记录本次周游具有最短路径的蚂蚁;
B2运行GA的选择算子;
B3运行GA的杂交算子;
B4运行GA的变异算子;
B5计算并记录本次GA的最小个体MinGet i;
B6如果本次周游蚁群最优蚂蚁的最短路径小于GA的最小个体的适应值,并且,这两者之中的较小值比上一次迭代所得的最小值小,用蚁群最优路径更新GA最小个体的染色体序列;
如果本次迭代GA的最小个体的适应值小于蚁群最好蚂蚁的最短路径,并且,这两者之中的较小值比上一次迭代所得的最小值小,用GA最小个体的染色体序列更新蚁群最优路径;
B7)如果迭代次数是一个素数的倍数,主进程收集各进程最优解,计算截止此次迭代具有最小值的进程号,并且将这个最小值及路径广播;
B8)主进程判断此次迭代若达到实例最优解,则输出最优解及计算时间,强制退出程序;否则输出本次迭代最优解;
B9)各进程对蚁群进行全局信息素更新;
B10)如果迭代次数是另一个素数的倍数,则用蚁群的部分路径更新GA的部分染色体序列;
C、重复步骤B,若迭代过程达到预先设定的迭代条件,转步骤D;.
D、计算并输出运行时间,输出最优解。
2.根据权利要求1所述的基于蚁群优化和遗传算法的粗粒度并行算法,其特征在于,选择国际库TSPLIB中的实例KroA100进行计算,优化蚁群参数为:进程个数NofP取2,蚂蚁个数m取50,初始信息素浓度τ0取20,α=0.1,β=5,Q=100000;遗传相关参数:杂交概率Pc取0.4,变异概率Pm取0.6。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410026790.0A CN103903053A (zh) | 2014-01-18 | 2014-01-18 | 一种基于蚁群优化和遗传算法的粗粒度并行算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410026790.0A CN103903053A (zh) | 2014-01-18 | 2014-01-18 | 一种基于蚁群优化和遗传算法的粗粒度并行算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103903053A true CN103903053A (zh) | 2014-07-02 |
Family
ID=50994363
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410026790.0A Pending CN103903053A (zh) | 2014-01-18 | 2014-01-18 | 一种基于蚁群优化和遗传算法的粗粒度并行算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103903053A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200271A (zh) * | 2014-08-22 | 2014-12-10 | 华南农业大学 | 一种发动机多目标优化算法 |
CN104618982A (zh) * | 2015-01-08 | 2015-05-13 | 重庆邮电大学 | 基于改进遗传-蚁群算法的Adhoc网络寻找最优路径的方法 |
CN105046365A (zh) * | 2015-07-29 | 2015-11-11 | 余意 | 物流配送车辆路径优化方法和装置 |
CN105387875A (zh) * | 2015-12-24 | 2016-03-09 | 安徽工程大学 | 基于蚁群算法的移动机器人路径规划方法的一种改进 |
CN108564163A (zh) * | 2018-03-27 | 2018-09-21 | 华南理工大学 | 一种解决多目标多旅行商问题的改进蚁群算法 |
CN108573326A (zh) * | 2018-04-17 | 2018-09-25 | 武汉理工大学 | 基于遗传蚁群混合算法的视频服务器选址方法 |
CN112070309A (zh) * | 2020-09-10 | 2020-12-11 | 西南民族大学 | 一种智慧收奶平台 |
-
2014
- 2014-01-18 CN CN201410026790.0A patent/CN103903053A/zh active Pending
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104200271A (zh) * | 2014-08-22 | 2014-12-10 | 华南农业大学 | 一种发动机多目标优化算法 |
CN104618982A (zh) * | 2015-01-08 | 2015-05-13 | 重庆邮电大学 | 基于改进遗传-蚁群算法的Adhoc网络寻找最优路径的方法 |
CN105046365A (zh) * | 2015-07-29 | 2015-11-11 | 余意 | 物流配送车辆路径优化方法和装置 |
CN105387875A (zh) * | 2015-12-24 | 2016-03-09 | 安徽工程大学 | 基于蚁群算法的移动机器人路径规划方法的一种改进 |
CN105387875B (zh) * | 2015-12-24 | 2018-01-12 | 安徽工程大学 | 基于蚁群算法的移动机器人路径规划方法的一种改进 |
CN108564163A (zh) * | 2018-03-27 | 2018-09-21 | 华南理工大学 | 一种解决多目标多旅行商问题的改进蚁群算法 |
CN108564163B (zh) * | 2018-03-27 | 2021-09-21 | 华南理工大学 | 一种解决多目标多旅行商问题的改进蚁群方法 |
CN108573326A (zh) * | 2018-04-17 | 2018-09-25 | 武汉理工大学 | 基于遗传蚁群混合算法的视频服务器选址方法 |
CN108573326B (zh) * | 2018-04-17 | 2021-07-06 | 武汉理工大学 | 基于遗传蚁群混合算法的视频服务器选址方法 |
CN112070309A (zh) * | 2020-09-10 | 2020-12-11 | 西南民族大学 | 一种智慧收奶平台 |
CN112070309B (zh) * | 2020-09-10 | 2021-03-30 | 西南民族大学 | 一种智慧收奶平台系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103903053A (zh) | 一种基于蚁群优化和遗传算法的粗粒度并行算法 | |
Pérez-Rodríguez et al. | A hybrid estimation of distribution algorithm for the vehicle routing problem with time windows | |
Tuba et al. | Improved ACO algorithm with pheromone correction strategy for the traveling salesman problem | |
Li et al. | Integrated production and delivery with single machine and multiple vehicles | |
Albrecht et al. | Fast computation of minimum hybridization networks | |
CN106892233A (zh) | 用于商品仓储布局的方法、装置、电子设备和存储介质 | |
Wu et al. | Fast computation of the exact hybridization number of two phylogenetic trees | |
CN109658018A (zh) | 提高仓储出库效率的方法和装置 | |
Berghida et al. | EBBO: an enhanced biogeography-based optimization algorithm for a vehicle routing problem with heterogeneous fleet, mixed backhauls, and time windows | |
Mahmoodirad et al. | Solving a multi-stage multi-product solid supply chain network design problem by meta-heuristics | |
Bureerat et al. | Self-adaptive MRPBIL-DE for 6D robot multiobjective trajectory planning | |
CN104240054A (zh) | 基于粒子群的物流车辆调度的实现方法 | |
CN105556546A (zh) | 分层隐变量模型估计设备、分层隐变量模型估计方法、供应量预测设备、供应量预测方法、以及记录介质 | |
Umar et al. | Priority-based genetic algorithm for conflict-free automated guided vehicle routing | |
CN114139392A (zh) | 基于自适应大规模领域搜索算法的车辆路径问题方法及系统 | |
Utamima et al. | Distribution route optimization of gallon water using genetic algorithm and tabu search | |
Esser | Revisiting nearest-neighbor-based information set decoding | |
Chand et al. | A multi objective genetic algorithm for solving vehicle routing problem | |
Peya et al. | Capacitated vehicle routing problem solving through adaptive sweep based clustering plus swarm intelligence based route optimization | |
Zhou et al. | Route Planning For Capacitated Agricultural Machines Based On Ant Colony Algorithms. | |
US20140009471A1 (en) | Apparatus and method for effective graph clustering of probabilistic graphs | |
CN115130968A (zh) | 一种考虑个性化配送能力的物流配送调度方法及系统 | |
CN107563147A (zh) | 一种估计基因组育种值的方法及装置 | |
Chen et al. | Multi-objective distribution routing optimization with time window based on improved genetic algorithm | |
Sembiring et al. | A shortest route metaheuristic method for oil palm Fresh Fruit Bunch (FFB) transportation based on genetic algorithm: A case study in PTPN III Indonesia |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140702 |