"本文主要探讨了一种改进的蚁群算法——MMAS-EC算法,用于解决旅行商问题。旅行商问题是一个经典的组合优化问题,目标是寻找一条经过所有城市的最短路径。随着城市数量的增加,问题的复杂度显著提升。传统的方法如割平面算法和分支界限算法虽然能求解一定规模的问题,但计算复杂度高。启发式算法如贪心算法和蚁群算法则能在较短时间内找到近似解。MMAS算法在优化过程中通过信息素交换提升解的质量,但存在局部搜索不足的问题。而EC算法是一种有效的局部搜索策略,但对初始位置的依赖性强。本文提出将两者结合,利用MMAS的全局优化能力和EC的局部搜索能力,提高了求解旅行商问题的效率和解的质量。实验证明,MMAS-EC算法在时间开销增加不多的情况下,能获得比标准蚁群算法更好的解。"
本文研究的是旅行商问题(TSP),一个著名的组合优化难题,涉及寻找一条经过所有城市的最短环形路径。随着城市数量的增多,TSP问题变得极其复杂,传统的精确算法如割平面和分支界限算法虽能处理小规模问题,但对计算资源要求过高。因此,启发式算法成为解决TSP的首选,如贪心算法和基于概率的基督菲德斯算法,以及基于生物模拟的蚁群算法。
蚁群算法(Ant Colony Optimization, ACO)模仿蚂蚁寻找食物的行为,通过信息素的扩散和蒸发来逐步构建解决方案,然而,它在求解过程中可能陷入局部最优,导致搜索精度不高。最大-最小蚁群系统(Max-Min Ant System, MMAS)是ACO的一种变体,通过全局信息素更新策略,增强了全局搜索能力,但仍存在局部搜索性能不足的问题。
另一方面,Ejection Chains(EC)算法是一种局部搜索策略,它能在保持回路结构变化较小的情况下,通过迭代变换寻找权值更小的路径。尽管EC算法效率高,但对初始解的选取敏感,难以保证找到全局最优解。
鉴于以上背景,本文提出了一种结合MMAS和EC算法的新型算法MMAS-EC。MMAS-EC利用MMAS的全局优化特性来指导搜索方向,同时应用EC算法的局部搜索能力,通过2-opt操作减少对初始位置的依赖,增强了解的稳定性。实验结果表明,MMAS-EC在时间效率和解的质量上都优于标准蚁群算法,为解决旅行商问题提供了一个更有效的方法。
本文为TSP问题的求解提供了新的思路,通过融合不同算法的优点,实现了全局搜索与局部搜索的协同工作,提升了算法的综合性能。这一方法对于启发式算法优化和组合优化问题的研究具有重要的理论和实践意义。