第三章针对蚁群算法所出现的不同缺陷对其进行改进。计算结果可知，基于遗传算法对蚁群算法的改进在解决物流配送路径优化问题中，取得了好的效果。由此可见，这样的混合算法可以弥补各自的不足，达到更好的优化效果，改善了解的质量。

第四章对这些蚁群算法的改进作比较。

第五章对蚁群优化算法总结及未来的展望。

2 蚁群算法

2。1 蚁群算法的背景信息

 是由M 。Dorigo等人于1991年首先提出的，是受到自然界中 的社会性行为启发而产生的，它模拟了 寻找食物的过程。由于 的过程与旅行商问题（TSP）的求解非常相似，所以蚁群算法最早的应用就是TSP的求解。该算法采用了分布式正反馈并行计算机制，易于与其他算法结合，而且具有较强的鲁棒性。目前，蚁群算法已在组合优化问题求解，以及电力、通信、化工、交通、机器人、冶金等多个 中得到应用，都表现出了令人满意的性能。

2。2蚁群算法的原理

 是对自然界蚂蚁的 进行模拟而得出的一种 。在自然界中，蚂蚁群总是能够找到从 到食物源之间的一条 。这是由于蚂蚁在运动过程中，可以在其所经过的 上留下一种被称之为“ （pheromone）”的物质。该物质能够被后来的蚂蚁感知到，并且会随时间逐渐挥发。每个蚂蚁根据路径上外激素的强度来指导自己的运动方向，并且倾向于朝该物质强度高的方向移动。因此由大量蚂蚁组成的蚁群集体行为便表现出一种信息 ：某一路径上走过的蚂蚁越多，则后来者选择该路径的概率就越大。由于在一定时间内，越短的路径会被越多的蚂蚁访问，所以随着上述过程的进行，整个蚁群最终会找到从蚁穴到食物之间的最短路径。蚁群算法正是利用了生物蚁群的这一特性来对问题进行求解。

它的原理如下图：以30只蚂蚁为例，一段时间后，会出现蚂蚁的择优结果。

图2-1 蚁群的自适应行为

其模型由下面三个公式描述：

式（1-1）、式（1-2）和式(1-3)中： 为蚂蚁个数； 为迭代次数； 为蚂蚁所在位置； 为蚂蚁可以到达的位置； 为蚂蚁可以到达位置的集合； 为启发性信息，这里为由 到 的路径的能见度，即 ； 为目标函数，这里为两点间欧氏(Euclidean)距离； 为由 到 的路径的信息素强度； 为第 只蚂蚁由 到 的路径上留下的信息素数量； 为路径权； 为启发性信息的权； 为路径上信息素数量的蒸发系数； 为信息素质量系数； 为蚂蚁 从位置 移动到位置 的转移概率。式（1-3）是在第 个蚂蚁经过了由 到 的路径的前提条件下成立。

2。3蚁群算法的结构框架

蚂蚁系统（Ant System，AS）即基本蚁群算法可以划分成三个过程的相互作用：蚂蚁构建解、更新信息素、后台执行。

在初始时刻，将所有信息素的初值设定为一个固定的值，一般选择略高于每一迭代中蚂蚁释放的信息素大小的期望值，可以用如下的方式粗略地计算：

                                 （1-4）

其中 代表蚂蚁的数量， 是由最近邻启发式方法构造的路径的长度，使用其他合理的路径构造方法也可以得到较好的执行效果。对于信息素的初始值 的选择这样做的原因在于，如果初始值 太大，蚂蚁释放的信息素没有任何的导向型作用，只有进行很多次迭代后信息素逐渐蒸发到足够小，才能发挥信息素对于路径选择的作用；初始值 太小，信息素对于蚂蚁的路径选择起到决定性的作用，使得搜索区域很快的集中到蚂蚁最先产生的有限几条路径中，使得解过于早熟。文献综述