40、基于蚁群优化的并行算法与聚类算法研究

基于蚁群优化的并行算法与聚类算法研究

一、基于单信息素矩阵的并行蚁群优化算法

1.1 算法资源占用与实验环境

从计算资源占用的角度来看，SHOP - ACO 算法比顺序算法使用更少的内存资源。理论上，如果 SHOP 算法能达到与顺序算法几乎相同的解质量，那么它更具优势。

实验的计算环境为 IBM p - server，配备 2 个 Power5 - CPU（1.5GHz）和 6.0GB 内存，操作系统是 AIX 5.3，编程工具为 PThread + gcc。由于硬件环境限制，实验仅实现了两个并行蚁群。从 TSPLIB 中随机选取 10 个典型问题实例，分为小规模（少于 1000 个城市）和大规模（少于 6000 个城市）两组。

目标顺序蚁群优化算法为 SMMAS（顺序最大最小蚁群算法）和 SACS（顺序蚁群系统算法）。除特别说明外，常用参数设置如下：α = 1，β = 2，ρ = 0.2，λbranch = 1，q0 = 0.98（针对 ACS 算法）。SHOP 算法不专注于并行化局部搜索和蚁群算法，它采用与 ACS 和 MMAS 相同的局部搜索策略，即 PMMAS、PACS 和 MMACS 均采用 3 - opt 局部搜索。

1.2 与顺序算法的比较