3、基于环境信息的蚁群优化移民策略

基于环境信息的蚁群优化移民策略

1. 引言

蚁群优化（ACO）算法在静态环境下解决复杂的现实优化问题时，已被证明是强大的元启发式方法。它受真实蚁群行为的启发，蚂蚁通过信息素轨迹进行交流，能够找到巢穴与食物源之间的最短路径。然而，在许多现实问题中，我们需要处理动态环境，其中最优解会不断变化，这对ACO算法提出了严峻挑战。一旦蚁群收敛到某个解，当环境发生动态变化时，由于大量信息素集中在单一轨迹上，蚁群很难适应新环境。

为了解决这个问题，多年来人们开发了多种方法来增强ACO算法在动态优化问题（DOPs）中的性能，如局部和全局重启策略、基于记忆的方法、信息素更新方案以及移民策略等。其中，移民策略被证明对处理动态旅行商问题（DTSP）有益，它能在执行过程中保持一定的多样性，并将先前环境的知识传递到当前环境。

本文提出了一种基于环境信息的移民策略，用于解决带有交通因素的DTSP。该策略通过生成移民蚂蚁来替换当前种群中最差的蚂蚁，从而维持多样性并将先前环境的知识传递到信息素轨迹上。

2. 带有交通拥堵的DTSP

旅行商问题（TSP）是最基本且著名的NP难组合优化问题。给定一组城市，需要找到一条最短路径，从一个城市出发，访问每个城市一次且仅一次，最后返回起始城市。

在本文中，通过引入交通因素生成DTSP。假设城市i和j之间的链接成本为 $C_{ij} = D_{ij} × F_{ij}$，其中 $D_{ij}$ 是正常行驶距离，$F_{ij}$ 是城市i和j之间的交通因素。每f次迭代，会以概率生成一个在 $[F_L, F_U]$ 范围内的随机数R来表示城市间的交通情况，其中 $F_L$ 和 $F_U$ 分别是交通因素的下限和上限。每