2、基于环境信息的蚁群算法移民策略

基于环境信息的蚁群算法移民策略

1. 交通因素与动态旅行商问题

在动态旅行商问题（DTSP）中，交通因素起着关键作用。交通因素接近上限 $F_U$ 代表高峰时段，会显著增加旅行距离；而接近下限 $F_L$ 则代表正常时段，旅行距离增加幅度较小。

2. 蚁群算法在 DTSP 中的应用

2.1 标准蚁群算法（S - ACO）

标准蚁群算法（S - ACO），即 Max - Min AS（MMAS），包含 $\mu$ 只蚂蚁。其具体操作步骤如下：
1. 初始化 ：所有蚂蚁随机放置在一个城市，所有信息素轨迹初始化为相同的信息素量。
2. 选择下一个城市 ：
- 以概率 $1 - q_0$（$0 \leq q_0 \leq 1$ 是决策规则的参数），蚂蚁 $k$ 当前位于城市 $i$ 时，按以下概率选择下一个城市 $j$：
[p_{ij}^k = \frac{[\tau_{ij}]^{\alpha} [\eta_{ij}]^{\beta}}{\sum_{l \in N_i^k} [\tau_{il}]^{\alpha} [\eta_{il}]^{\beta}}, \text{ 如果 } j \in N_i^k]
其中，$\tau_{ij}$ 是城市 $i$ 和 $j$ 之间现有的信息素轨迹，$\eta_{ij} = 1 / C_{ij}$ 是先验可用的启发式信息，$N_i^k$ 表示蚂蚁 $k$ 当前位于城市 $i$ 时尚未访问的城市邻域，$\alpha$ 和 $\beta$ 分别决定信息素轨迹和启发式信息的相对影响。
- 以概