CN104618982A - 基于改进遗传-蚁群算法的Adhoc网络寻找最优路径的方法 - Google Patents

Abstract

本发明请求保护一种基于改进遗传-蚁群算法的Adhoc(自组织)网络中AODV路由协议寻找最优路径的方法。由于Adhoc网络拓扑结构的不断变化，现有的路由协议的性能已很难满足网络的需求。针对常用路由算法的收敛速度慢、搜索时间长、易陷入局部最优解，无法达到全局最优的缺陷。本发明提出一种以改进的遗传-蚁群算法(IGAACA)为核心的AODV路由协议寻找最优路由的方法。本发明首先利用遗传算法的全局搜索能力找到较优解，然后将较优解转换成蚁群算法的初始信息素，最后采用蚁群算法收敛快速快的优点，找到路由全局最优解。采用本发明的算法，能快速、有效地找到最优路径，提高了网络性能。

Description

基于改进遗传-蚁群算法的Adhoc网络寻找最优路径的方法

技术领域

本发明涉及涉及Adhoc网络中路由协议领域，具体是一种基于改进遗传-蚁群算法的AODV(自组网按需距离矢量路由)路由协议寻找最优路径的方法。

背景技术

Adhoc网络中没有固定的基础设施，由于网络拓扑的动态变化，寻找到一种能够有效快速找到节点间最优路径的路由协议就成为AdHoc网络路由协议设计的关键。此外，Adhoc网络能够迅速组网，对于野外或不适合建立固定基础设施的环境，能够很好地完成通信任务，在民用领域越来越受到关注，具有十分广阔的应用前景。

基本蚁群算法在寻找最优路径的过程中，容易陷入局部最优解而无法达到全局最优的效果。遗传算法是一种很好的分布式算法，具有全局最优的特点，将两者结合能很好的解决蚁群算法的缺点，但想达到更好的效果就必须对两者的融合进行改进。

发明内容

针对以上现有技术中的不足，本发明的目的在于提供一种改善AODV路由协议寻找最优路径的实现方法，本发明的技术方案如下：一种基于改进遗传-蚁群算法的Adhoc网络寻找最优路径的方法，其包括以下步骤：

101、参数初始化，设置迭代次数(遗传算法迭代次数N_G、蚁群算法迭代次数N_A、最小迭代次数Min-Iteration、最大迭代次数Max-Iteration、停滞次数Stagnation_Time)，采用遗传算法对Adhoc网络的路径进行寻优，其中染色体编码每一个网络节点相当于一个基因位，一条路径相当于一条染色体，采用自然数编码方式，种群初始化采用均匀设计方式初始化，遗传操作主要包括选择、交叉和变异操作；当大于或者等于遗传迭代次数N_G时则产生n条备选寻优路径，将这些n条备选寻优路径作为初始信息素；

102、当步骤101完成n条备选寻优路径的挑选后，则设置时机判断函数。当迭代次数N_G大于最小迭代次数Min-Iteration时，则启用算法转换判断函数，time＝0；当time>Stagnation_Time时，则视为遗传算法的出现了停滞，结束遗传算法；当迭代次数N_G>Max-Iteration时，自动结束遗传算法切换至步骤103的蚁群算法步骤，并根据n条备选寻优路径形成初始信息素；

103、采用蚁群算法进行寻优，对利用遗传算法得到的n条备选寻优路径由小到大排序,得到集合P_C(c＝1,2,...,n)，设置的转换规则如下：

${\mathrm{\τ}}_{\mathrm{ij}}\left(0\right)=\left\{\begin{array}{c}{\mathrm{\τ}}_0+{\mathrm{\τ}}_G,(i,j)\∈P_C\\ 0,\mathrm{else}\end{array}\right.$

其中:τ₀表示一个给定的一个信息素常数，τ_G是遗传算法求解结果转换的信息素值，n表示备选寻优路径条数，C_n表示路径代价的排序；

104、调整蚁群算法的转移因子，并按照转移概率规则选择下一跳节点j进行信息素的局部更新，当j为目的节点时则信息素完成了全局更新；其中转移概率规则为：第k只蚂蚁按概率从位置i到位置j，

$P_{\mathrm{ij}}^k\left(t\right)=\left\{\begin{array}{c}\frac{{\left[{\mathrm{\τ}}_{\mathrm{ij}}\right]}^{\mathrm{\α}}\·{\left[{\mathrm{\η}}_{\mathrm{ij}}\right]}^{\mathrm{\β}}}{{\mathrm{\Σ}}_{u\∈J_i^k}{\left[{\mathrm{\τ}}_{\mathrm{iu}}\right]}^{\mathrm{\α}}{\left[{\mathrm{\η}}_{\mathrm{iu}}\right]}^{\mathrm{\β}}},j\∈J_i^k\\ 0,\mathrm{else}\end{array}\right.$

其中：禁忌表tabu_k来记录蚂蚁k当前已走过的路径，k＝1，2，…，n，表示蚂蚁k下一步所允许选择的节点；α是信息启发式因子；β为期望启发式因子；η_ij是启发函数，其值表达式为η_ij＝1/route_cost(i,j)。r和λ为(0,1)中分布的随机数；

105、当完成信息素全局更新后，输出最优路径即完成了最优路径的寻优。

进一步的，步骤102在产生初始信息素分布的过程中，利用遗传算法中的适应度函数对个体进行选择，所述适应度函数为：

$f\left(R\right)=\frac{\mathrm{\ϵ}}{{\mathrm{route}}_{\cos t}\left(R\right)},\mathrm{rout}{e}_{\cos t}=\frac{\mathrm{delay}}{{\mathrm{energy}}_{\mathrm{rate}}},\mathrm{ener}{\mathrm{gy}}_{\mathrm{rate}}=1-\frac{{\mathrm{energy}}_{\mathrm{remaining}}}{{\mathrm{energy}}_{\mathrm{initial}}}$

其中：ε是一常数，route_cost是路由代价，delay是节点的端到端延迟，energy_rate是能量利用率，energy_initial是节点初始能量，energy_remaining是节点剩余能量。

进一步的，步骤104中转移概率规则的改进中转移因子λ的规则设计时，执行分为三个阶段[0,t₀][t₀,t₁][t₁,t_end]，为：

$\mathrm{\&lambda;}\left(t\right)=\left\{\begin{array}{c}{e}^{-{(t/\mathrm{\&sigma;})}^2},t<t_0\\ {\mathrm{\&lambda;}}_{\min },t_0\&le;t<t_1\\ 1-e^{-{((t-t_1)/\mathrm{\&sigma;})}^2},t_1\&le;t\&le;t_{\mathrm{end}}\end{array}\right.$ 其中 ${\mathrm{\&lambda;}}_{\min }=e^{-{(t_0/\mathrm{\&sigma;})}^2},$ σ是正参数。

进一步的，步骤104中信息素的改进中的信息素挥发因子的改进规则设计为：

ρ(t)＝max{μρ(t-1),ρ_min}

其中：ρ_min是ρ的最小值，μ是(0,1)之间预先设定的衰减系数，根据具体的实际规模进行调整。

进一步的，对信息素的改进中对于第k只蚂蚁在第t次的信息素局部更新规则设计为：

τ_ij(t+1)←(1-ρ)×τ_ij(t)+ρ×△τ_ij(t)

$\mathrm{\&Delta;}{\mathrm{\&tau;}}_{\mathrm{ij}}\left(t\right)\&LeftArrow;\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}\mathrm{\&Delta;}{\mathrm{\&tau;}}_{\mathrm{ij}}^k\left(t\right)$

${\mathrm{\&Delta;\&tau;}}_{\mathrm{ij}}^k\left(t\right)\&LeftArrow;Q_1/d_{\mathrm{ij}}$

其中，ρ是(0,1)的信息素挥发系数，Q₁为常数，d_ij是蚂蚁每到达一个节点，两节点之间的距离；△τ_ij表示本次循环中留在路径(i,j)上的信息素强度；表示第k只蚂蚁在本次循环中留在路径(i,j)上的信息素强度的增量。

进一步的，步骤105中信息素全局更新具体如下：当m只蚂蚁成功地完成一次寻径过程后，选择出目标函数值最佳的路由即最优路径，信息素全局更新规则设计为：

${\mathrm{\&tau;}}_{\mathrm{ij}}(t+1)\&LeftArrow;(1-\mathrm{\&rho;})\&times;{\mathrm{\&tau;}}_{\mathrm{ij}}\left(t\right)+\mathrm{\&rho;}\&times;\mathrm{\&Delta;}{\mathrm{\&tau;}}_{\mathrm{ij}}\left(t\right)+\mathrm{\&Delta;}{\mathrm{\&tau;}}_{\mathrm{ij}}^{*}$

$\mathrm{\&Delta;}{\mathrm{\&tau;}}_{\mathrm{ij}}\left(t\right)\&LeftArrow;\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}\mathrm{\&Delta;}{\mathrm{\&tau;}}_{\mathrm{ij}}^k\left(t\right)$

$\mathrm{\&Delta;}{\mathrm{\&tau;}}_{\mathrm{ij}}^{*}\&LeftArrow;W,$

其中，Q₂和W为常数，表示最优蚂蚁在路径(i,j)上留下的信息素值，L_ij是蚂蚁完成一次循环后所走的路径长度。

本发明的优点及有益效果如下：

本发明提供了一种基于改进遗传-蚁群算法的Adhoc网络寻找最优路径的方法的优点：遗传算法具有的分布式、全局搜索能力的特点形成蚁群算法的初始信息素分布，蚁群算法收敛快速的优点可以有效地避免算法陷入局部最优解，达到近似的全局最优解。达到的有益效果：本发明的算法方法简单实用，所需开销较少，性能稳定可靠，能快速、有效地找到最优路径，提高网络性能。

附图说明

图1是按照本发明优选实施例的算法流程图；

图2本发明所涉及的基于改进遗传-蚁群算法的AODV路由建立过程中的路由请求过程流程图；

图3本发明所涉及的基于改进遗传-蚁群算法的AODV路由建立过程中的路由回复过程流程图；

图4本发明所涉及的基于改进遗传-蚁群算法的AODV路由维护过程中的路由断路过程流程图。

具体实施方式

下面结合附图给出一个非限定的实施例对本发明作进一步的阐述。但是应该理解，这些描述只是示例的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。

本发明提供的基于改进遗传-蚁群算法的AODV路由过程包括以下算法步骤：

步骤1：对遗传算法中的染色体进行编码、种群初始化、适应度函数、遗传操作获取蚁群算法中的初始信息素的分布；

步骤2：选取合适的判断函数，对两个算法的时机转换进行合适的判断，避免算法陷入局部最优；

步骤3：对基本蚁群算法的初始信息素规则进行改进，避免算法一开始就陷入局部解；

步骤4：对基本蚁群算法的转移概率规则进行改进，使蚂蚁朝着最优解前进，避免一开始就失去解的多样性；

步骤5：对基本蚁群算法的信息素更新规则中的信息素挥发因子进行改进，使算法在提高收敛速度的同时避免陷入局部最优解；

步骤6：对基本蚁群算法的信息素更新规则中的局部和全局更新进行改进，使蚂蚁能够选择在最优附近搜索选择路由代价小的路径；

步骤7：设计本发明所涉及的AODV路由建立过程；

步骤8：设计本发明所涉及的AODV路由维护过程。

作为上述算法描述中的改进，所述步骤1中适应度函数的选取按下式进行：

$f\left(R\right)=\frac{\mathrm{\&epsiv;}}{{\mathrm{route}}_{\cos t}\left(R\right)},\mathrm{rout}{e}_{\cos t}=\frac{\mathrm{delay}}{{\mathrm{energy}}_{\mathrm{rate}}},\mathrm{ener}{\mathrm{gy}}_{\mathrm{rate}}=1-\frac{{\mathrm{energy}}_{\mathrm{remaining}}}{{\mathrm{energy}}_{\mathrm{initial}}}$

其中：ε是一常数，route_cost是路由代价，delay是节点的端到端延迟，energy_rate是能量利用率，energy_initial是节点初始能量，energy_remaining是节点剩余能量。

作为上述算法描述中的改进，所述步骤3中对初始信息素的改进规则按下式进行：

${\mathrm{\&tau;}}_{\mathrm{ij}}\left(0\right)=\left\{\begin{array}{c}{\mathrm{\&tau;}}_0+{\mathrm{\&tau;}}_G,(i,j)\&Element;P_C\\ 0,\mathrm{else}\end{array}\right.$

其中:τ₀表示一个根据具体求解问题规模给定的一个信息素常数，τ_G是遗传算法求解结果转换的信息素值，n表示较优路径条数，C_n表示路径代价的排序。

作为上述算法描述中的改进，所述步骤4中对转移概率规则的改进中第k只蚂蚁按概率从位置i到位置j，按下式进行：

$P_{\mathrm{ij}}^k\left(t\right)=\left\{\begin{array}{c}\frac{{\left[{\mathrm{\&tau;}}_{\mathrm{ij}}\right]}^{\mathrm{\&alpha;}}\&CenterDot;{\left[{\mathrm{\&eta;}}_{\mathrm{ij}}\right]}^{\mathrm{\&beta;}}}{{\mathrm{\&Sigma;}}_{u\&Element;J_i^k}{\left[{\mathrm{\&tau;}}_{\mathrm{iu}}\right]}^{\mathrm{\&alpha;}}{\left[{\mathrm{\&eta;}}_{\mathrm{iu}}\right]}^{\mathrm{\&beta;}}},j\&Element;J_i^k\\ 0,\mathrm{else}\end{array}\right.$

其中：tabu_k(k＝1，2，…，n)来记录蚂蚁k当前已走过的路径，表示蚂蚁k下一步所允许选择的节点；α是信息启发式因子，β为期望启发式因子，η_ij是启发函数，表达式为η_ij＝1/route_cost(i,j)；r和λ为(0,1)中分布的随机数。

作为上述算法描述中的改进，所述步骤4中对转移概率规则的改进还包括对转移因子的改进，把算法执行分为三个阶段[0,t₀][t₀,t₁][t₁,t_end]。按下式进行：

$\mathrm{\&lambda;}\left(t\right)=\left\{\begin{array}{c}{e}^{-{(t/\mathrm{\&sigma;})}^2},t<t_0\\ {\mathrm{\&lambda;}}_{\min },t_0\&le;t<t_1\\ 1-e^{-{((t-t_1)/\mathrm{\&sigma;})}^2},t_1\&le;t\&le;t_{\mathrm{end}}\end{array}\right.$ 其中 ${\mathrm{\&lambda;}}_{\min }=e^{-{(t_0/\mathrm{\&sigma;})}^2},$ σ是正参数

作为上述算法描述中的改进，所述步骤5中对信息素挥发因子的改进按下式进行：ρ(t)＝max{μρ(t-1),ρ_min}

其中：ρ_min是ρ的最小值，μ是(0,1)之间预先设定的衰减系数，根据具体的实际规模进行调整。

作为上述算法描述中的改进，所述步骤6中对信息素更新中包括的局部更新规则按下式进行：

τ_ij(t+1)←(1-ρ)×τ_ij(t)+ρ×△τ_ij(t)

$\mathrm{\&Delta;}{\mathrm{\&tau;}}_{\mathrm{ij}}\left(t\right)\&LeftArrow;\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}\mathrm{\&Delta;}{\mathrm{\&tau;}}_{\mathrm{ij}}^k\left(t\right)$

${\mathrm{\&Delta;\&tau;}}_{\mathrm{ij}}^k\left(t\right)\&LeftArrow;Q_1/d_{\mathrm{ij}}$

其中：对于第k只蚂蚁，ρ是(0,1)的信息素挥发系数，Q₁为常数，d_ij是蚂蚁每到达一个节点，两节点之间的距离；△τ_ij表示本次循环中留在路径(i,j)上的信息素强度；表示第k只蚂蚁在本次循环中留在路径(i,j)上的信息素强度的增量。

作为上述算法描述中的改进，所述步骤6中对信息素更新中包括的全局更新规则按下式进行：

${\mathrm{\&tau;}}_{\mathrm{ij}}(t+1)\&LeftArrow;(1-\mathrm{\&rho;})\&times;{\mathrm{\&tau;}}_{\mathrm{ij}}\left(t\right)+\mathrm{\&rho;}\&times;\mathrm{\&Delta;}{\mathrm{\&tau;}}_{\mathrm{ij}}\left(t\right)+\mathrm{\&Delta;}{\mathrm{\&tau;}}_{\mathrm{ij}}^{*}$

$\mathrm{\&Delta;}{\mathrm{\&tau;}}_{\mathrm{ij}}\left(t\right)\&LeftArrow;\underset{k=1}{\overset{m}{\mathrm{\&Sigma;}}}\mathrm{\&Delta;}{\mathrm{\&tau;}}_{\mathrm{ij}}^k\left(t\right)$

$\mathrm{\&Delta;}{\mathrm{\&tau;}}_{\mathrm{ij}}^{*}\&LeftArrow;W,$

其中：前提是当m只蚂蚁成功地完成一次寻径过程后，选择出目标函数值最佳的路径(最优路径)，Q₂和W为常数，表示最优蚂蚁在路径(i,j)上留下的信息素值，L_ij是蚂蚁完成一次循环后所走的路径长度。

作为上述算法描述中的改进，所述步骤7中本发明所涉及的AODV路由建立过程中的路由请求过程流程图见图2，路由回复过程流程图见图3。

当源节点S需要和目的节点D通信时，路由请求(RREQ)具体过程是：

(1)源节点发送一个FANT(前向蚂蚁)；

(2)检查是否发送成功，如果失败就进行路由断路处理操作，跳转(3)；若成功跳转(4)；

(3)此时路由请求过程结束；

(4)中间节点接收到一个FANT，根据转移规则选择下一跳节点继续传播消息；

(5)判断下一跳节点是否是目的节点，如果是则说明路由请求过程已经建立，跳转(6)；若不是跳转(7)；

(6)目的节点获得FANT所携带的信息，源节点进行信息素的更新，目的节点形成一个BANT并丢弃FANT，跳转(3)；

(7)判断是否是首次接收并且无环路，如果不是则丢弃此节点，跳转(3)；若是跳转(8)；

(8)再判断是否有去往目的节点的路径，如果没有，就更新当前节点的信息素和FANT相关的信息并丢弃此节点，跳转(3)；若有就跳转(9)；

(9)获得FANT所携带的信息并更新当前节点的信息素，对信息入栈，继续广播；跳转(4)。

当源节点S需要和目的节点D通信时，路由回复(RREP)的具体过程为：

(1)目的节点发送一个BANT(后向蚂蚁)；

(2)检查是否发送成功，如果失败就进行路由断路处理操作，跳转(3)；若成功跳转(4)；

(3)此时路由回复过程结束；

(4)若中间节点接收到BANT，从BANT获得评估信息并更新信息素，则继续向下一跳节点传播消息；

(5)判断下一跳节点是否是源节点，如果是则说明路由回复过程已经建立，丢弃BANT并发送数据包，跳转(3)；若不是跳转(6)；

(6)更新当前节点的信息素和BANT相关的信息，从BANT栈中获得下一跳节点，继续发送BANT到下一跳节点，跳转(2)；

作为上述算法描述中的改进，所述步骤8中本发明所涉及的AODV路由维护过程中包含的路由循环过程中的循环问题因为改进蚁群算法在解决若干个节点之间形成循环这个问题上有着独到的优势，在路径探索阶段其实就己经解决了。在FANT阶段，它所经过的每一个中间节点都会将自己的ID加入到FANT信息列表当中，蚂蚁对此都有记录并且它只搜索从未到达过的节点。因此，本发明中的算法自身就很有效地避免了循环问题。其中包含的路由断路过程流程图见图4。

路由断路(RERR)的具体过程为：若中间节点发现路径不通或者收到路由断路的消息后，它首先根据断路的路径信息删除自己对应的可能性路由表条目，然后查询可能性路由表条目，看是否能找到到达同一目的地的其它路径。如果有，则根据前面提出的转移概率选择一条最优的路径进行通信，然后更新每一条可能性路由表条目；如果没有到达对应目的地的可选路径，它就向其他节点继续发送路由断路消息。当源节点在通信完成前收到路由断路消息后，如果没有到目的地的其他路径，它将发起新的路径建立过程，直到通信完成。

以上这些实施例应理解为仅用于说明本发明而不用于限制本发明的保护范围。在阅读了本发明记载的内容之后，技术人员可以对本发明作各种改动或修改，这些等效变化和修饰同样落入本发明权利要求所限定的范围。

Claims (6)

1.一种基于改进遗传-蚁群算法的Adhoc网络寻找最优路径的方法，其特征在于，包括以下步骤：

101、参数初始化，设置遗传算法迭代次数N_G、蚁群算法迭代次数N_A、最小迭代次数Min-Iteration、最大迭代次数Max-Iteration、停滞次数Stagnation_Time，采用遗传算法对Adhoc网络的路径进行寻优，其中染色体编码每一个网络节点相当于一个基因位，一条路径相当于一条染色体，采用自然数编码方式，种群初始化采用均匀设计方式初始化，遗传操作主要包括选择、交叉和变异操作；当大于或者等于遗传迭代次数N_G时则产生n条备选寻优路径，将这些n条备选寻优路径作为初始信息素；

102、当步骤101完成n条备选寻优路径的挑选后，则设置时机判断函数。当迭代次数N_G大于最小迭代次数Min-Iteration时，则启用算法转换判断函数，time＝0；当time>Stagnation_Time时，则视为遗传算法的出现了停滞，结束遗传算法；当迭代次数N_G>Max-Iteration时，自动结束遗传算法切换至步骤103的蚁群算法步骤，并根据n条备选寻优路径形成初始信息素；

103、采用蚁群算法进行寻优，对利用遗传算法得到的n条备选寻优路径由小到大排序,得到集合P_C(c＝1,2,...,n)，设置的转换规则如下：

其中:τ₀表示一个给定的一个信息素常数，τ_G是遗传算法求解结果转换的信息素值，n表示备选寻优路径条数，C_n表示路径代价的排序；

104、调整蚁群算法的转移因子，并按照转移概率规则选择下一跳节点j进行信息素的局部更新，当j为目的节点时则信息素完成了全局更新；其中转移概率规则为：第k只蚂蚁按概率从位置i到位置j，

其中：禁忌表tabu_k来记录蚂蚁k当前已走过的路径，k＝1，2，…，n， 表示蚂蚁k下一步所允许选择的节点；α是信息启发式因子；β为期望启发式因子；ηⁱ _j是启发函数，其值表达式为η_ij＝1/route_cost(i,j)。r和λ为(0,1)中分布的随机数；

105、当完成信息素全局更新后，输出最优路径即完成了最优路径的寻优。

2.根据权利要求1所述的一种基于改进遗传-蚁群算法的Adhoc网络寻找最优路径的方法，其特征在于，步骤102在产生初始信息素分布的过程中，利用遗传算法中的适应度函数对个体进行选择，所述适应度函数为：

其中:ε是一常数，route_cost是路由代价，delay是节点的端到端延迟，energy_rate是能量利用率，energy_initial是节点初始能量，energy_remaining是节点剩余能量。

3.根据权利要求1所述的一种基于改进遗传-蚁群算法的Adhoc网络寻找最优路径的方法，其特征在于，步骤104中转移概率规则的改进中转移因子λ的规则设计时，执行分为三个阶段[0,t₀][t₀,t₁][t₁,t_end]，为：

其中σ是正参数 。

4.根据权利要求1所述的一种基于改进遗传-蚁群算法的Adhoc网络寻找最优路径的方法，其特征在于，步骤104中信息素的改进中的信息素挥发因子的改进规则设计为：ρ(t)＝max{μρ(t-1),ρ_min}

其中:ρ_min是ρ的最小值，μ是(0,1)之间预先设定的衰减系数，根据具体的实际规模进行调整。

5.根据权利要求1所述的一种基于改进遗传-蚁群算法的Adhoc网络寻找最优路径的方法，其特征在于，对信息素的改进中对于第k只蚂蚁在第t次的信 息素局部更新规则设计为：

τ_ij(t+1)←(1-ρ)×τ_ij(t)+ρ×△τ_ij(t)

其中:ρ是(0,1)的信息素挥发系数，Q₁为常数，d_ij是蚂蚁每到达一个节点，两节点之间的距离。△τ_ij表示本次循环中留在路径(i,j)上的信息素强度；表示第k只蚂蚁在本次循环中留在路径(i,j)上的信息素强度的增量。

6.根据权利要求1所述的一种基于改进遗传-蚁群算法的Adhoc网络寻找最优路径的方法，其特征在于，步骤105中信息素全局更新具体如下：当m只蚂蚁成功地完成一次寻径过程后，选择出目标函数值最佳的路由即最优路径，信息素全局更新规则设计为：

其中：Q₂和W为常数，表示最优蚂蚁在路径(i,j)上留下的信息素值，L_ij是蚂蚁完成一次循环后所走的路径长度。