44、带邻域搜索的蚁群优化算法解决动态旅行商问题及种群规模自适应控制策略

带邻域搜索的蚁群优化算法解决动态旅行商问题及种群规模自适应控制策略

1. 蚁群优化算法与动态旅行商问题概述

蚁群优化算法（ACO）在解决组合优化问题上取得了一定成功，蚂蚁会根据信息素选择路径，经过多次迭代最终找到最优路线。然而，现实中的许多应用面临动态优化问题，即目标函数、约束条件或问题实例会随时间变化，传统的ACO算法可能不太适合解决这类动态问题。因为当环境改变时，之前路径上的信息素会使蚂蚁继续遵循原路径，导致对环境变化的响应效率低下。

为了提高算法对动态环境的适应能力，人们提出了多种策略：
- 最简单的方法是在环境变化时重置所有路径上的信息素，但这种方法计算成本高且不合理。
- 改进的方法是采用局部和全局重启策略来重新初始化信息素。
- 还有生成或增加多样性的方法来解决动态旅行商问题（DTSP），例如设置记忆来存储多个解决方案以匹配之前的环境。
- P - ACO算法使用种群列表来存储迭代最优蚂蚁以更新路径上的信息素。
- 带有移民方案的ACO算法被证明是解决DTSP的有效方法，其中随机移民蚁群优化算法（RIACO）在环境快速且显著变化的情况下表现良好。

本文提出了带邻域搜索的蚁群优化算法（NS - ACO）来处理由随机交通因素组成的DTSP。该算法引入了三种移动操作来调整蚂蚁构建的解决方案，以适应新环境。通过实验对比了NS - ACO、传统的蚁群系统（ACS）和RIACO在不同规模DTSP上的性能，结果表明NS - ACO算法能够有效且高效地跟踪最优解。

2. 动态旅行商问题（DTSP）简介

传统的旅行商问题（TSP）是一个经典的NP难问题，人们提出了多种精确和近似算法来解决TSP