蚁群算法PLC电力线载波通信网络的组网技术研究(6)
b) 并行算法
每只蚂蚁搜索的过程彼此独立，仅通过信息激素进行通信。所以蚁群算法则可以看作是一个分布式的多agent系统，它在问题空间的多点同时开始进行独立的解搜索，不仅增加了算法的可靠性，也使得算法具有较强的全局搜索能力。
c) 正反馈
从真实蚂蚁的觅食过程中我们不难看出，蚂蚁能够最终找到最短路径，直接依赖于最短路径上信息激素的堆积，而信息激素的堆积却是一个正反馈的过程。对蚁群算法来说，初始时刻在环境中存在完全相同的信息激素，给予系统一个微小扰动，使得各个边上的轨迹浓度不相同，蚂蚁构造的解就存在了优劣，算法采用的反馈方式是在较优的解经过的路径留下更多的信息激素，而更多的信息激素又吸引了更多的蚂蚁，这个正反馈的过程使得初始的不同得到不断的扩大，同时又引导整个系统向最优解的方向进化。
d) 较强的鲁棒性
相对于其它算法，蚁群算法对初始路线要求不高，即蚁群算法的求解结果不依赖子初始路线的选择，而且在搜索过程中不需要进行人工的调整。其次，蚁群算法的参数数目少，设置简单，易于蚁群算法应用到其它组合优化问题的求解。
蚁群优化算法最初用于解决TSP问题，经过多年的发展，已经陆续渗透到其他领域中。在网络路由处理中，网络的流量分布不断变化，网络链路或结点也会随机地失效或重新加入。蚁群的自身催化与正向反馈机制正好符合了这类问题的求解特点，因而，蚁群算法在网络领域得到一定应用。蚁群觅食行为所呈现出的并行与分布特性使得算法特别适合于并行化处理。因而，实现算法的并行化执行对于大量复杂的实际应用问题的求解来说是极具潜力的。
2.2.3 蚁群算法的原理及工作过程
以求解n个城市的TSP旅行商问题为例说明ACA模型. 对于城市V = { v1 ， v2 ， v3 ， ⋯， vn } 的一个访问，顺序为T = { t1 ， t2 ， t3 ， ⋯， tn} ，其中ti ∈V ( i = 1 ，2 ，3 ，⋯， n) ，且 ，则问题为： 。
其中， 为路径rs上的信息素含量， 表示路径rs上的信息素增量， 表示第k只蚂蚁在t时刻选择路径ij的概率， 为迭代最优更新信息素发挥系数， 和K的选择可以调整迭代最优路径信息素的增长速度。 表示每次迭代最优路径表征量。对迭代最优路线进行信息素增加，可使过程具有指导性，范围集中在最优路线周围。
下一篇：双曲型方程的特征理论+文献综述