CN114844823A - 一种改进aco算法的必经点有向带环最短链路生成方法 - Google Patents
一种改进aco算法的必经点有向带环最短链路生成方法 Download PDFInfo
- Publication number
- CN114844823A CN114844823A CN202210364565.2A CN202210364565A CN114844823A CN 114844823 A CN114844823 A CN 114844823A CN 202210364565 A CN202210364565 A CN 202210364565A CN 114844823 A CN114844823 A CN 114844823A
- Authority
- CN
- China
- Prior art keywords
- link
- pheromone
- node
- point
- pass
- 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.)
- Granted
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 25
- 239000003016 pheromone Substances 0.000 claims abstract description 40
- 238000005457 optimization Methods 0.000 claims description 9
- 241000257303 Hymenoptera Species 0.000 claims description 8
- 230000009191 jumping Effects 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/12—Shortest path evaluation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/02—Topology update or discovery
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L45/00—Routing or path finding of packets in data switching networks
- H04L45/14—Routing performance; Theoretical aspects
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明涉及人工智能技术领域,尤其涉及一种改进ACO算法的必经点有向带环最短链路生成方法,引入信息素变化因子改进ACO算法中信息素的更新方式,再结合带环路网络的特点设计了“活性”禁忌表,解决环路节点的再次访问问题,并在运行过程中根据需求采用自适应的信息素变化因子,有效且快速地实现复杂网络中必经点有向带环最短链路的生成,实现在大规模网络图中生成必经点有向带环最短链路的目的。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种改进ACO算法的必经点有向带环最短链路生成方法。
背景技术
最短路径问题是组合优化经典问题,在人工智能技术领域,ACO算法已普遍应用于求解各种优化问题,具体的,ACO算法是一种根据自然界蚂蚁觅食的行为提炼出来的算法,但传统的ACO算法求解的最短路径问题只考虑了起点和终点,大多没有考虑节点的约束,特别是必经点有向带环最短链路问题的求解,因此传统的最短路径算法在求解节点数和边数较多的网络最短路径时存在时间花销大的缺点,并且在有向带环路网络中不能很好求解含必经点约束的最短链路问题。
发明内容
本发明的目的在于提供一种改进ACO算法的必经点有向带环最短链路生成方法,建立“活性”禁忌表和优化信息素更新策略,改进传统ACO算法,实现在大规模网络图中生成必经点有向带环最短链路的目的。
为实现上述目的,本发明提供了一种改进ACO算法的必经点有向带环最短链路生成方法,包括下列步骤:
加载大规模网络图中节点的数据;
设定起点、终点和必经点集;
设定禁忌表和引入信息素变化因子改进ACO算法,进行链路寻优。
其中,所述禁忌表用于记录节点信息,搜索过程中判断当前节点是否是必经节点,若经过必经节点则放开禁忌表,以便可以再次搜索已经搜索过的节点。
其中,所述信息素变化因子将网络节点与链路上信息素浓度建立联系,随着搜索次数的增加,链路上信息素浓度更新幅度减小。
其中,设定禁忌表和引入信息素变化因子改进ACO算法,进行链路寻优的过程,包括下列步骤:
步骤1:蚁群初始化;
步骤2:设定禁忌表,将蚂蚁的出发点加入禁忌表中;
步骤3:蚂蚁根据概率转移公式选择下一节点,并将此节点加入禁忌表;
步骤4:判定选择的点是否为必经点,若是必经点,则清空禁忌表,继续返回步骤2;若否则跳转判断是否为终点,
若不是终点,则返回执行步骤3;
若判断是终点,则更新最短路径;
步骤5:判定当前在进行搜索的蚂蚁数量是否是初始时设定的数量,
若不是,则数量自加1后返回执行步骤2;
若是则跳转到步骤6;
步骤6:对链路信息素进行更新;
步骤7:迭代次数增加1,对搜索结束条件进行判断,
若不满足,跳转到步骤1;
若满足,则运行结束,显示搜索得到的最佳链路。
其中,在对链路信息素进行更新的过程中,判定在固定循环次数内求解结果没有明确改变时候自适应更改信息素变化因子。
本发明提供了一种改进ACO算法的必经点有向带环最短链路生成方法,引入信息素变化因子改进ACO算法中信息素的更新方式,再结合带环路网络的特点设计了“活性”禁忌表,解决环路节点的再次访问问题,并在运行过程中根据需求采用自适应的信息素变化因子,有效且快速地实现复杂网络中必经点有向带环最短链路的生成,实现在大规模网络图中生成必经点有向带环最短链路的目的。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明的一种改进ACO算法的必经点有向带环最短链路生成方法的流程示意图。
图2是本发明改进ACO算法的具体执行步骤示意图。
图3是本发明的具体实施例的模拟示例的网络结构拓扑图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
请参阅图1,本发明提出了一种改进ACO算法的必经点有向带环最短链路生成方法,包括下列步骤:
S1:加载大规模网络图中节点的数据;
S2:设定起点、终点和必经点集;
S3:设定禁忌表和引入信息素变化因子改进ACO算法,进行链路寻优。
所述禁忌表用于记录节点信息,搜索过程中判断当前节点是否是必经节点,若经过必经节点则放开禁忌表,以便可以再次搜索已经搜索过的节点。
所述信息素变化因子将网络节点与链路上信息素浓度建立联系,随着搜索次数的增加,链路上信息素浓度更新幅度减小。
设定禁忌表和引入信息素变化因子改进ACO算法,进行链路寻优的过程,包括下列步骤(具体执行步骤图请参阅图2):
步骤1:蚁群初始化;
步骤2:设定禁忌表,将蚂蚁的出发点加入禁忌表中;
步骤3:蚂蚁根据概率转移公式选择下一节点,并将此节点加入禁忌表;
步骤4:判定选择的点是否为必经点,若是必经点,则清空禁忌表,继续返回步骤2;若否则跳转判断是否为终点,
若不是终点,则返回执行步骤3;
若判断是终点,则更新最短路径;
步骤5:判定当前在进行搜索的蚂蚁数量是否是初始时设定的数量,
若不是,则数量自加1后返回执行步骤2;
若是则跳转到步骤6;
步骤6:对链路信息素进行更新;
步骤7:迭代次数增加1,对搜索结束条件进行判断,
若不满足,跳转到步骤1;
若满足,则运行结束,显示搜索得到的最佳链路。
进一步的,本发明结合具体实施例进行详细说明:
请参阅图3,规模为20个点,31条边的网络。选择起点为2,终点为19,必经点为6,10,17。
(1)对ACO算法参数进行初始化,并设定蚂蚁数NP=1,作为初始迭代的初值;
(2)设定禁忌表,将蚂蚁的出发点加入禁忌表中;
(3)蚂蚁根据概率转移公式选择下一节点,并将此节点加入禁忌表。概率转移公式为:
其中,表示t时刻第k只蚂蚁从节点i转移到节点j的概率;τij(t)表示在第t次迭代时节点i与节点j之间链路上的信息素浓度强度;ηij(t)表示在第t次迭代时节点i与节点j的能见度;α为信息素启发因子,表示轨迹的重要性;β为期望启发因子,表示能见度的重要性;表示未被访问的节点集合。
(4)判定选择的点是不是必经点,若是必经点,则清空禁忌表,继续步骤(2)、(3),若不是必经点,则跳转判定是不是终点,若不是终点,继续步骤(3),若是终点,更新最短路径;
(5)判定蚂蚁数量是否是初始时设定的数量,若不是,则自加1后继续步骤(2)、(3)、(4),若是,跳转到步骤(6);
(6)对链路信息素进行更新。更新信息素时,引进信息素变化因子σ:
其中,p为未被访问的节点数。则信息素更新公式由τij(t+n)=(1-ρ)τij(t)+ρΔτij(t)变为:
其中,ρ表示信息素挥发系数,1-ρ则为信息素残留因子;Δτij(t)表示从节点i与节点j之间链路上的信息素浓度增量。
(7)对信息素进行更新时候,判定在固定循环次数内求解结果没有明确改变时候自适应更改信息素变化因子,更改规则为:
其中,λ为调节因子,λ∈(0,1);ρmin为系数ρ的最小值。
(8)迭代次数增加1,对搜索结束条件进行判断,若不满足,跳转到步骤(1),若满足,则算法运行结束,显示搜索得到的最佳链路。
通过改进的ACO算法计算出经过上述必经点的最短路径为:
2→3→5→6→3→5→2→4→7→10→11→7→8→12→14→17→14→15→12→13→16→19
其中,3→5→6、7→10→11、14→17为网络中的有向环路,对此规模网络图下进行多组测试计算时间平均值结果表明比传统ACO算法求解时时间提升3%。通过实验可以看出,本发明能够很好的解决复杂网络中必经点有向带环最短链路生成得问题。
以上所揭露的仅为本发明一种较佳实施例而已,当然不能以此来限定本发明之权利范围,本领域普通技术人员可以理解实现上述实施例的全部或部分流程,并依本发明权利要求所作的等同变化,仍属于发明所涵盖的范围。
Claims (5)
1.一种改进ACO算法的必经点有向带环最短链路生成方法,其特征在于,包括下列步骤:
加载大规模网络图中节点的数据;
设定起点、终点和必经点集;
设定禁忌表和引入信息素变化因子改进ACO算法,进行链路寻优。
2.如权利要求1所述的改进ACO算法的必经点有向带环最短链路生成方法,其特征在于,
所述禁忌表用于记录节点信息,搜索过程中判断当前节点是否是必经节点,若经过必经节点则放开禁忌表,以便可以再次搜索已经搜索过的节点。
3.如权利要求1所述的改进ACO算法的必经点有向带环最短链路生成方法,其特征在于,
所述信息素变化因子将网络节点与链路上信息素浓度建立联系,随着搜索次数的增加,链路上信息素浓度更新幅度减小。
4.如权利要求1所述的改进ACO算法的必经点有向带环最短链路生成方法,其特征在于,
设定禁忌表和引入信息素变化因子改进ACO算法,进行链路寻优的过程,包括下列步骤:
步骤1:蚁群初始化;
步骤2:设定禁忌表,将蚂蚁的出发点加入禁忌表中;
步骤3:蚂蚁根据概率转移公式选择下一节点,并将此节点加入禁忌表;
步骤4:判定选择的点是否为必经点,若是必经点,则清空禁忌表,继续返回步骤2;若否则跳转判断是否为终点,
若不是终点,则返回执行步骤3;
若判断是终点,则更新最短路径;
步骤5:判定当前在进行搜索的蚂蚁数量是否是初始时设定的数量,
若不是,则数量自加1后返回执行步骤2;
若是则跳转到步骤6;
步骤6:对链路信息素进行更新;
步骤7:迭代次数增加1,对搜索结束条件进行判断,
若不满足,跳转到步骤1;
若满足,则运行结束,显示搜索得到的最佳链路。
5.如权利要求4所述的改进ACO算法的必经点有向带环最短链路生成方法,其特征在于,
在对链路信息素进行更新的过程中,判定在固定循环次数内求解结果没有明确改变时候自适应更改信息素变化因子。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210364565.2A CN114844823B (zh) | 2022-04-07 | 2022-04-07 | 一种改进aco算法的必经点有向带环最短链路生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210364565.2A CN114844823B (zh) | 2022-04-07 | 2022-04-07 | 一种改进aco算法的必经点有向带环最短链路生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114844823A true CN114844823A (zh) | 2022-08-02 |
CN114844823B CN114844823B (zh) | 2024-03-05 |
Family
ID=82564083
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210364565.2A Active CN114844823B (zh) | 2022-04-07 | 2022-04-07 | 一种改进aco算法的必经点有向带环最短链路生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114844823B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070237152A1 (en) * | 2003-01-20 | 2007-10-11 | Nanyang Polytechnic | Path Searching System Using Multiple Groups Of Cooperating Agents And Method Thereof |
CN101118609A (zh) * | 2007-09-13 | 2008-02-06 | 北京航空航天大学 | 一种解决大规模tsp的云模型小生境自适应蚁群优化方法 |
CN102096742A (zh) * | 2011-02-24 | 2011-06-15 | 江苏大学 | 基于禁忌蚁群混合算法的超大规模集成电路布线设计方法 |
CN107332770A (zh) * | 2017-08-18 | 2017-11-07 | 郑州云海信息技术有限公司 | 一种必经点路由路径选择方法 |
CN109214498A (zh) * | 2018-07-10 | 2019-01-15 | 昆明理工大学 | 基于搜索集中度和动态信息素更新的蚁群算法优化方法 |
AU2020102041A4 (en) * | 2020-08-28 | 2020-10-08 | Lin, Shudong Mr | Construction and maintenance of satellite-to-ground and inter-satellite laser communication network based on ants colony algorithm |
CN113068224A (zh) * | 2021-03-29 | 2021-07-02 | 烽火通信科技股份有限公司 | 一种用于网状传输系统构建的蚁群算法实现方法和装置 |
WO2021189720A1 (zh) * | 2020-03-23 | 2021-09-30 | 南京理工大学 | 基于改进蚁群算法的泊车agv路径规划方法 |
CN113703391A (zh) * | 2021-08-11 | 2021-11-26 | 广东省科学院智能制造研究所 | 一种基于随机信息素优化精英蚁群算法的加工路径规划方法 |
CN114020045A (zh) * | 2021-10-25 | 2022-02-08 | 南京航空航天大学 | 一种基于改进蚁群算法的无人机航迹规划方法 |
-
2022
- 2022-04-07 CN CN202210364565.2A patent/CN114844823B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070237152A1 (en) * | 2003-01-20 | 2007-10-11 | Nanyang Polytechnic | Path Searching System Using Multiple Groups Of Cooperating Agents And Method Thereof |
CN101118609A (zh) * | 2007-09-13 | 2008-02-06 | 北京航空航天大学 | 一种解决大规模tsp的云模型小生境自适应蚁群优化方法 |
CN102096742A (zh) * | 2011-02-24 | 2011-06-15 | 江苏大学 | 基于禁忌蚁群混合算法的超大规模集成电路布线设计方法 |
CN107332770A (zh) * | 2017-08-18 | 2017-11-07 | 郑州云海信息技术有限公司 | 一种必经点路由路径选择方法 |
CN109214498A (zh) * | 2018-07-10 | 2019-01-15 | 昆明理工大学 | 基于搜索集中度和动态信息素更新的蚁群算法优化方法 |
WO2021189720A1 (zh) * | 2020-03-23 | 2021-09-30 | 南京理工大学 | 基于改进蚁群算法的泊车agv路径规划方法 |
AU2020102041A4 (en) * | 2020-08-28 | 2020-10-08 | Lin, Shudong Mr | Construction and maintenance of satellite-to-ground and inter-satellite laser communication network based on ants colony algorithm |
CN113068224A (zh) * | 2021-03-29 | 2021-07-02 | 烽火通信科技股份有限公司 | 一种用于网状传输系统构建的蚁群算法实现方法和装置 |
CN113703391A (zh) * | 2021-08-11 | 2021-11-26 | 广东省科学院智能制造研究所 | 一种基于随机信息素优化精英蚁群算法的加工路径规划方法 |
CN114020045A (zh) * | 2021-10-25 | 2022-02-08 | 南京航空航天大学 | 一种基于改进蚁群算法的无人机航迹规划方法 |
Non-Patent Citations (5)
Title |
---|
BAMBANG SUPRIADI: "Comparison of proposed algorithm to ant colony optimization algorithm to form a ring topology with minimum path value", 《2016 2ND INTERNATIONAL CONFERENCE ON WIRELESS AND TELEMATICS (ICWT)》 * |
RICO WIJAYA DEWANTORO: "The Combination of Ant Colony Optimization (ACO) and Tabu Search (TS) Algorithm to Solve the Traveling Salesman Problem (TSP)", 《2019 3RD INTERNATIONAL CONFERENCE ON ELECTRICAL, TELECOMMUNICATION AND COMPUTER ENGINEERING (ELTICOM)》 * |
S.L. HO: "A modified ant colony optimization algorithm modeled on tabu-search methods", 《 IEEE TRANSACTIONS ON MAGNETICS》 * |
何少佳;史剑清;王海坤;: "基于改进蚁群粒子群算法的移动机器人路径规划", 桂林理工大学学报, no. 04 * |
王艳愉;李强;: "必经点约束型最短路径问题的研究", 微型机与应用, no. 22 * |
Also Published As
Publication number | Publication date |
---|---|
CN114844823B (zh) | 2024-03-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Natarajan et al. | Dynamic preferences in multi-criteria reinforcement learning | |
Heinonen et al. | Hybrid ant colony optimization and visibility studies applied to a job-shop scheduling problem | |
Blythe | An overview of planning under uncertainty | |
Mao et al. | A hash map-based memetic algorithm for the distributed permutation flowshop scheduling problem with preventive maintenance to minimize total flowtime | |
CN113760553B (zh) | 一种基于蒙特卡洛树搜索的混部集群任务调度方法 | |
CN108108822A (zh) | 并行训练的异策略深度强化学习方法 | |
CN113127169B (zh) | 数据中心网络中动态工作流的高效链路调度方法 | |
CN113157694A (zh) | 一种基于强化学习的数据库索引生成方法 | |
CN114666204A (zh) | 一种基于因果强化学习的故障根因定位方法及系统 | |
CN112085147A (zh) | 一种基于改进郊狼优化算法的特征选择方法 | |
Wang et al. | An adaptive memetic algorithm for the joint allocation of heterogeneous stochastic resources | |
Satrya et al. | Evolutionary computing approach to optimize superframe scheduling on industrial wireless sensor networks | |
Xu et al. | Living with artificial intelligence: A paradigm shift toward future network traffic control | |
Gu et al. | Auto-tuning spark configurations based on neural network | |
CN114844823A (zh) | 一种改进aco算法的必经点有向带环最短链路生成方法 | |
Wang et al. | Automatic hierarchical reinforcement learning for efficient large-scale service composition | |
CN114154685A (zh) | 智能电网中电能数据调度方法 | |
Vere | Temporal Scope of Assertions and Window Cutoff. | |
CN110971683B (zh) | 基于强化学习的服务组合方法 | |
CN111523669A (zh) | 一种基于知识图谱元信息的少次关系模型训练方法 | |
CN115934843A (zh) | 一种分布式数据读写处理方法 | |
Boveiri et al. | Static homogeneous multiprocessor task graph scheduling using ant colony optimization | |
CN106383863A (zh) | 一种同构子图查询优化方法 | |
Xu et al. | Constructing temporally extended actions through incremental community detection | |
CN108845947B (zh) | 一种基于蚁群算法的工作流系统测试用例优化方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |