[发明专利]一种基于蚁群优化和遗传算法的粗粒度并行算法

说明书

技术领域

本发明涉及一种求解旅行商问题的并行蚁群遗传算法，具体涉及一种基于蚁群优化和遗传算法的粗粒度并行算法。

背景技术

旅行商问题是一个经典的组合优化问题，是NP完全问题。也就是说随着问题规模的增大，计算时间以指数阶增加。串行算法的计算时间在求解小规模旅行商问题实例时还可以接受，但是在求解中等规模计算实例的时候计算时间可以达到几十分钟，几个小时。

发明内容

为了克服现有技术中的缺陷，解决上述技术问题，本发明提供一种基于蚁群优化和遗传算法的粗粒度并行算法。

其技术方案如下：

一种基于蚁群优化和遗传算法的粗粒度并行算法，包括以下步骤：

A、各进程初始化Initialization of Each Process(IofEP)：

A1初始化m只蚂蚁的起始城市；

A2蚁群周游一次，将周游结果作为GA的初始种群；

B、各进程实施遗传蚁群合作方法Cooperation ofAnt Colony Optimization and Genetic Algorithm by Each Process(Co-ACO-GAbyEP)：

B1蚁群周游一次，计算并记录本次周游具有短路径的蚂蚁NumShortPathing；

B2运行GA的选择算子；

B3运行GA的杂交算子；

B4运行GA的变异算子；

B5计算并记录本次GA的最小个体MinGeti；

B6如果本次周游蚁群最优蚂蚁的最短路径小于GA的最小个体的适应值，即(Lenth[NumShortPathing]＜NextColony[MinGeti].Fitness)并且，这两者之中的较小值比上一次迭代所得的最小值小，用蚁群最优路径更新GA最小个体的染色体序列；

如果本次迭代GA的最小个体的适应值小于蚁群最好蚂蚁的最短路径，即(NextColony[MinGeti].Fitness＜Lenth[NumShortPathing])并且，这两者之中的较小值比上一次迭代所得的最小值小，用GA最小个体的染色体序列更新蚁群最优路径；

B7)如果迭代次数是一个素数的倍数，主进程收集各进程最优解，计算截止此次迭代具有最小值的进程号，并且将这个最小值及路径广播；

B8)主进程判断此次迭代若达到实例最优解，则输出最优解及计算时间，强制退出程序；否则输出本次迭代最优解；

B9)各进程对蚁群进行全局信息素更新；

B10)如果迭代次数是另一个素数的倍数，则用蚁群的部分路径更新GA的部分染色体序列；

C、重复步骤B，若迭代过程达到预先设定的迭代条件，转步骤D；.

D、计算并输出运行时间，输出最优解。

进一步优选，选择国际库TSPLIB中的实例KroA100进行计算，优化蚁群参数为：进程个数NofP取2，蚂蚁个数m取50，初始信息素浓度τ₀取20，α＝0.1，β＝5，Q＝100000；遗传相关参数：杂交概率Pc取0.4，变异概率Pm取0.6。

本发明的有益效果：

通过对国际库中其它实例的大量计算表明，该方法充分展示蚁群和遗传方法各自的优点，避免陷入局部最优，能够搜索到实例最优解。为中小规模TSP实例提供了一种解决方案。

附图说明

图1为本发明基于蚁群优化和遗传算法的粗粒度并行算法的流程图。

具体实施方式

下面结合附图和具体实施方式对本发明的技术方案作进一步详细地说明。

参照图1，一种基于蚁群优化和遗传算法的粗粒度并行算法，包括以下步骤：

A、各进程初始化Initialization of Each Process(IofEP)：

A1初始化m只蚂蚁的起始城市；

A2蚁群周游一次，将周游结果作为GA的初始种群；

B、各进程实施遗传蚁群合作方法Cooperation of Ant Colony Optimization andGeneticAlgorithm by Each Process(Co-ACO-GAbyEP)：

B1蚁群周游一次，计算并记录本次周具有最知路径的蚂蚁NumShortPathing；

B2运行GA的选择算子；

B3运行GA的杂交算子；

B4运行GA的变异算子；