一种改进的小窗口蚁群算法

一种改进的小窗口蚁群算法

摘要：针对现有小窗口蚁群算法对优化问题规模的适应性较差、对设定可选城市范围的参数依赖大、易于陷入局部最优等缺点，提出了一种随机小窗口蚁群算法，将问题规模与随机性同时引入小窗口蚁群算法，增强了算法的鲁棒性，而且可以避免算法早熟，陷入局部最优。通过对200个城市的仿真结果表明，该算法效果良好。

关键词关键词：蚁群算法；小窗口蚁群算法；路径优化；商旅问题

DOIDOI：10.11907/rjdk.143829

中图分类号：TP312

文献标识码：A文章编号

文章编号：16727800（2015）002004803

基金项目基金项目：湖南省科技厅项目（2013FJ3154）；航天支撑基金项目（2013ZGDZDX）

作者简介作者简介：陈立（1990―），男，湖北黄石人，南华大学电气工程学院硕士研究生，研究方向为最优控制、智能控制理论及应用；谢富强（1971-），男，湖南衡山人，博士，南华大学电气工程学院讲师、硕士生导师，研究方向为最优控制、智能控制理论及应用、导航与制导；李兰君（1965-），女，湖南衡阳人，南华大学电气工程学院教授、

硕士生导师，研究方向为智能控制、嵌入式系统应用。

0引言

蚁群算法是20世纪90年代初期由意大利学者Colorni 等人＼[1＼]提出的一种仿生算法，通过模拟自然界中蚂蚁寻找食物时利用其留下的信息素强弱来寻找最优路径。本文就是在基本蚁群算法基础上，通过改进小窗口蚁群算法，增加随机小窗口这一环节避免算法过早收敛，增强寻优能力。

1基本蚁群算法

1.1算法原理

蚁群算法是源于蚂蚁的觅食行为，蚂蚁在寻找食物时会在经过的路径上留下信息素，当某条路径是从蚁穴到食物的较短路径时，通过该条路径的蚂蚁就会较多，该条路径上面的信息素浓度就会较高，以此吸引更多的蚂蚁经过这条路径。通过多次往返，某条最短路径上面的信息素浓度会非常高，蚁群就会都从这条最优路径上经过，使得整个种群在寻找食物上的时间变短，提高了效率。

1.2算法实现

1.2.1禁忌表规则

蚁群算法中的蚂蚁具有记忆功能，这与实际的蚂蚁群有区别。记录蚂蚁k当前走过的元素，将其坐标记录下来并放入禁忌表tabu＼[k＼]中，蚂蚁在一次循环过程中不能再次经过已存在禁忌表上的坐标，当一次循环结束后，禁忌表被清

零，蚂蚁又可以进行自由选择。

1.2.2状态转移规则

每只蚂蚁在运动过程中，根据各条路径上信息素的浓度以及启发信息来计算状态转移概率。表达式如式（1）所示。

Pkij（t）=[τij（t）]α?[ηk（t）]β∑sallowedk[τis（t）]α?[ηis（t）]β若j∈allowedk0，否则（1）

其中，allowedk表示蚂蚁k下一次允许移动到的元素，α为信息启发式因子，表示轨迹的相对重要性；β为期望启发式因子，表示能见度的相对重要性[23]，ηij（t）为启发函数。

1.2.3信息素更新规则蚁群算法中只有那些属于最短路径上的边信息素才被得到增强[4]。这种规则使得算法在寻找最优路径时更具有目的性：对于最优路径的寻找始终是在当前最短路径的周围进行。在k个蚂蚁遍历完n个元素后，按照式（2）进行全局更新。

τij（t+n）=（1-ρ）τij（t）+ρΔτij（t）（2）Δτij （t）=∑mk=1Δτkij（t）（3）

其中ρ为挥发系数，ρ[0，1]；Δτij（t）表示本次循环中路径ij上的信息素增量；Δτkij（t）表示第k只蚂蚁在本次循环中留在路径ij上的信息量。

单个蚂蚁在搜寻最优路径时使用信息素局部更新规则

对其经过路径上的信息素按照式（4）进行更新。

τij（t+h）=（1-ζ）τij（t）+ζτ0（4）τ0=1/（nlmin）（5）

其中ζ[0，1]，lmin表示所有元素集合中两个最近元素之间的距离。

2小窗口蚁群算法

蚁群算法最早是应用于商旅问题（TSP）。TSP问题的求解是典型的NP问题，当城市规模n大到一定程度后便会面临“组合爆炸”问题[5]，此时，传统的搜索算法便会陷入困境。随着人工智能算法的兴起，这一问题才被逐渐解决。蚁群算法就是其中之一。然而，蚁群算法同样也存在不足，容易陷入局部最优解。目前，对于蚁群算法的改进大多数都是通过增加变异环节的方法，如文献[6]中引入非均匀变异算子，对已完成搜索的蚁群进行变异处理，以及调节信息素的方法，如文献[7]中提出对挥发因子的取值进行改进。

以上这些改进，对于小规模问题的改善较为明显，但是当TSP问题中城市的数量大于50时，优化结果就难以令人满意。文献[8]提出了小窗口蚁群算法，其核心思想就是在蚂蚁从一个城市向下一个城市移动时，不需要对剩下所有城市（不在禁忌表上）进行考虑，而只需要在出发城市邻近的若干个城市中进行选择，因为最终的最优解是保证总路径最短，因此不可能出现两个城市距离很远的情况。

2.1固定小窗口蚁群算法

固定小窗口蚁群算法就是设定一个相邻城市的范围

city[p]，每次蚂蚁选择下一个城市时，都是在city[p]与禁忌表tabu[k]的交集中选择，然后再按照式（1）的规则进行移动。在仿真中，p的取值为6。

2.2动态小窗口蚁群算法

固定小窗口蚁群算法是将可选择城市的规模，也即数量固定下来，但是这样存在一个缺点：不能更好地适应问题规模，当城市数量为100个左右时，可选城市数量为p，当城市数量为200个左右，可选城市数量还是为p，在这种情况下，就没有将问题规模的变化考虑进来，无法得到一个适合不同规模的优化算法。文献[9]提出将可选城市的数量用一个分段函数表示，将其与问题规模联系起来，如式（6）所示，当问题规模n处于不同范围时，可选城市的数量MAXYC也相应地取不同数值。MAXYC=8，n≤50；10，50

13基于蚁群算法的连续函数优化通用MATLAB源代码

基于蚁群算法的连续函数优化通用MATLAB源代码 此源码是对人工蚁群算法的一种实现，用于无约束连续函数的优化求解，对于含有约束的情况，可以先使用罚函数等方法，把问题处理成无约束的模型，再使用本源码进行求解。 function [BESTX,BESTY,ALLX,ALLY]=ACOUCP(K,N,Rho,Q,Lambda,LB,UB) %% Ant Colony Optimization for Unconstrained Continuous Problem %% ACOUCP.m %% 无约束连续函数的蚁群优化算法 %% 此函数实现蚁群算法，用于求解无约束连续函数最小化问题 %% 对于最大化问题，请先将其加负号转化为最小化问题 % GreenSim团队——专业级算法设计&代写程序 % 欢迎访问GreenSim团队主页→https://www.sodocs.net/doc/0116208940.html,/greensim %% 输入参数列表 % K 迭代次数 % N 蚁群规模 % Rho 信息素蒸发系数，取值0～1之间，推荐取值0.7～0.95 % Q 信息素增加强度，大于0，推荐取值1左右 % Lambda 蚂蚁爬行速度，取值0～1之间，推荐取值0.1～0.5 % LB 决策变量的下界，M×1的向量 % UB 决策变量的上界，M×1的向量 %% 输出参数列表 % BESTX K×1细胞结构，每一个元素是M×1向量，记录每一代的最优蚂蚁 % BESTY K×1矩阵，记录每一代的最优蚂蚁的评价函数值 % ALLX K×1细胞结构，每一个元素是M×N矩阵，记录每一代蚂蚁的位置 % ALLY K×N矩阵，记录每一代蚂蚁的评价函数值 %% 测试函数设置 % 测试函数用单独的子函数编写好，在子函数FIT.m中修改要调用的测试函数名即可 % 注意：决策变量的下界LB和上界UB，要与测试函数保持一致 %% 参考设置 % [BESTX,BESTY,ALLX,ALLY]=ACOUCP(50,30,0.95,1,0.5,LB,UB) %% 第一步：初始化 M=length(LB);%决策变量的个数 %蚁群位置初始化 X=zeros(M,N); for i=1:M x=unifrnd(LB(i),UB(i),1,N); X(i,:)=x; end %输出变量初始化 ALLX=cell(K,1);%细胞结构，每一个元素是M×N矩阵，记录每一代的个体 ALLY=zeros(K,N);%K×N矩阵，记录每一代评价函数值

采用序优化的改进蚁群算法

第44卷　第2期2010年2月 西　安　交　通　大　学　学　报 J OU RNAL O F XI ′AN J IAO TON G UN IV ERSIT Y Vol.44　№2Feb.2010 收稿日期:2009Ο06Ο20.　作者简介:张兆军(1981-),男,博士生;冯祖仁(联系人),男,教授,博士生导师.　基金项目:国家自然科学基金资助项目(60875043);国家重点基础研究发展规划资助项目(2007CB311006). 采用序优化的改进蚁群算法 张兆军1,2,冯祖仁1,2,任志刚1,2 (1.西安交通大学系统工程研究所,710049,西安;2.西安交通大学机械制造 系统工程国家重点实验室,710049,西安) 摘要:为了评价蚁群算法在有限时间内所得优解的质量,基于序优化方法提出了一种改进的蚁群算法:使用盲目挑选规则选择初始解,并对信息素进行相应的初始化;确定得到满足要求的优解所需要的迭代次数,将其作为算法的终止条件;为了更好地利用每次迭代中的优解,在算法开始阶段使用前l 个迭代优解更新信息素,以增强探索能力;在算法结束阶段采用当前迭代最优解更新信息素,以加快收敛速度.改进算法在保证收敛的前提下,并没有增加算法的时间复杂度.对旅行商问题进行的仿真实验表明,改进算法在解的质量和收敛速度方面优于最大Ο最小蚂蚁系统.关键词:蚁群算法;序优化;盲目挑选;旅行商问题中图分类号:TP18　文献标志码:A 文章编号:0253Ο987X (2010)02Ο0015Ο05 Novel Ant Colony Optimization Algorithm B ased on Order Optimization ZHAN G Zhaojun 1,2,FEN G Zuren 1,2,REN Zhigang 1,2 (1.Systems Engineering Institute ,Xi ′an Jiaotong University ,Xi ′an 710049,China ;2.State Key Laboratory for Manufacturing Systems Engineering ,Xi ′an Jiaotong University ,Xi ′an 710049,China ) Abstract :To evaluate t he quality of optimal solutions obtained by t he ant colony optimization (ACO )algorit hm in limited time ,an imp roved ACO algorit hm is presented on t he basis of t he or 2dinal optimization.An initial solution is selected using t he blind picking rule ,and t he p heromone is initialized correspondingly.The number of iterations to achieve t he optimal solution meeting t he demand is t hen determined and is used as t he termination condition of t he algorit hm.To make better use of t he solutions obtained at each iteration ,t he first l solutions are employed to enhance search capability at t he beginning p hase of t he algorit hm.While t he current optimal solution is used at t he end p hase of t he algorit hm to accelerate t he convergence.The time complexity of t he novel algorit hm is not increased under t he condition t hat ensures t he convergence.Simulation re 2sult s on t he traveling salesman p roblem show t hat t he p roposed algorit hm is superior to t he max 2min ant system in bot h t he quality of solutions and t he speed of convergence. K eyw ords :ant colony optimization ;ordinal optimization ;blind picking ;traveling salesman problem 蚁群算法[1]是一种仿生随机优化算法,已被成功应用于旅行商问题(TSP )、二次分配、网络路由、属性约简[2]等问题的求解,具有鲁棒性、正反馈、分布式计算和易与其他算法结合等优点.然而,现有方法也存在一些不足,如初期搜索时间偏长,容易陷入局部最优解等.为此,学者们提出了很多改进算 法,例如使用局部更新策略和全局更新策略的蚁群系统[3],限制信息素的上、下界并使用最优解更新策略的最大2最小蚂蚁系统(max 2min ant system ,MMAS )[4]等.此外,文献[5]受神经网络和遗传算法的启发,提出了一种二进制蚁群进化算法;文献[6]将分散搜索的思想融入蚁群算法,提高了算法的

基本蚁群优化算法及其改进毕业设计

摘要 自意大利学者M. Dorigo于1991年提出蚁群算法后，该算法引起了学者们的极大关注，在短短十多年的时间里，已在组合优化、网络路由、函数优化、数据挖掘、机器人路径规划等领域获得了广泛应用，并取得了较好的效果。本文首先讨论了该算法的基本原理，接着介绍了旅行商问题，然后对蚁群算法及其二种改进算法进行了分析，并通过计算机仿真来说明蚁群算法基本原理，然后分析了聚类算法原理和蚁群聚类算法的数学模型，通过调整传统的蚁群算法构建了求解聚类问题的蚁群聚类算法。最后，本文还研究了一种依赖信息素解决聚类问题的蚁群聚类算法，并把此蚁群聚类算法应用到对人工数据进行分类，还利用该算法对2005年中国24所高校综合实力进行分类，得到的分类结果与实际情况相符，说明了蚁群算法在聚类分析中能够收到较为理想的结果。 【关键词】蚁群算法；计算机仿真；聚类；蚁群聚类

Study on Ant Colony Algorithm and its Application in Clustering Abstract： As the ant colony algorithm was proposed by M. Dorigo in 1991,it bringed a extremely large attention of scholars, in past short more than ten years, optimized, the network route, the function in the combination optimizes, domains and so on data mining, robot way plan has obtained the widespread application, and has obtained the good effect.This acticle discussed the basic principle of it at first, then introduced the TSP,this acticle also analysed the ant colony algorithm and its improved algorithm, and explanated it by the computer simulates, then it analysed the clustering algorithm and the ant clustering algorithm, builded the ant clustering algorith to solution the clustering by the traditioned ant algorithm. At last, this article also proposed the ant clustering algorith to soluted the clustering dependent on pheromon. Carry on the classification to the artificial data using this ant clustering algorithm; Use this algorithm to carry on the classification of the synthesize strength of the 2005 Chinese 24 universities; we can obtain the classified result which matches to the actual situation case. In the next work, we also should do the different cluster algorithm respective good and bad points as well as the classified performance aspect the comparison research; distinguish the different performance of different algorithm in the analysis when the dates are different. Key words： Ant colony algorithm; Computer simulation; clustering; Ant clustering 目录

蚁群算法的改进神经网络程序

%蚁群算法的改进神经网络程序 %这是某个硕士论文中附带的程序，经过试用，完全不能用。 %蚁群算法优化神经网络 %参数值 %ant_amount，蚂蚁总数 %quanzhi_amount，权值总数 %xuanzhi_amount，可选值总数 %k，蚂蚁k %i，权值j %j，选值j %tao，信息素矩阵 %zeng_tao，信息素增量 %NC，最大迭代 %rou，信息挥发度; %Q，信息总量:为蚂蚁循环一周时释放在所经过的路径上的信息素总量%zuixiaowucha，最小误差 %shijiwucha实际误差 %conter迭代次数 %sum_tao，tao和 %p，信息素概率 %4个矩阵: % iwb(i,j)，权值矩阵(i*j) % tao(i,j)，信息素矩阵(i*j) %mayi_xuanzhi(k,i)，每只蚂蚁选的权值矩阵(k*i) %mayi_xuanwei(k*i)，每只蚂蚁选的权值位置矩阵(k*i) %网络主程序 Clear; yangben_yuanshi=[ 7.8 111 701 129 2.8; 45 168 330 82 3.1; 58 103 251 51 6; 56 144 164 36 1.8; 82 161 406 79 8.9; 10 15 19.5 5 0; 18 135 208 59 0; 129 181 244 44 0; 12 23 98 9 0; 164 244 497 103 8.3; 16 237 470 92 0; 15 125 574 29 7;

49 41.6 124 25.1 15.7; 21 7.6 96.3 4.7 26.73; 65 26.1 41.6 10.1 57.8; 64 22 51.7 20.7 95.1; 29 7.52 14.8 5.5 5.4; 6.3 7.87 3.03 6.97 11.1; 413 6.8 4.6 40.4 8.15; 23.4 14.3 9.71 7.12 3.44; 15.2 2.4 4.5 4.8 27.2; 45 431 517 210 2; 65 150 54 45 0; 4 70.7 211 76 18.9; 22 12 6.3 4.6 7.4; 130.4 48.8 93.4 16.3 123.4; 198 54.3 107.1 6.4 148.8; 521.1 107 177.1 9.2 144.7; 217.5 40 51.8 4.9 67.5; 63 7.4 17 1.8 6.2; 54 7 8.6 7.4 5.4; 150 27 63 3.6 90; 162 109 201 11 183; 59 28 70 9 15; 201 36.1 32.3 6 47.2]; %训练样本初值 for i=1:35 % 训练样本归一化 yangben_guiyi(i,:)=0.1+0.8*(yangben_yuanshi(i,:)-min(yangben_yuanshi(i,:)))/(max(yangben_yuansh i(i,:))-min(yangben_yuanshi(i,:))); end yangben_shuchu=[ 1 0 0 0 0; 1 0 0 0 0; 1 0 0 0 0; 1 0 0 0 0; 1 0 0 0 0; 1 0 0 0 0; 1 0 0 0 0; 1 0 0 0 0; 1 0 0 0 0; 1 0 0 0 0; 1 0 0 0 0;

蚁群优化算法

蚁群优化算法
目录 [隐藏]
? ?
比较
1 2
蚁群算法的提出： 人工蚂蚁与真实蚂蚁的异同
o o ? ? ? ? ?
3 4 5 6 7
2.1 2.2
相同点比较 不同点比较
蚁群算法的流程图 基本蚁群算法的实现步骤 蚁群算法的 matlab 源程序 蚁群算法仿真结果 版权声明
[编辑]蚁群算法的提出：
人类认识事物的能力来源于与自然界的相互作用，自然界一直是人类创造力 的源泉。 自然界有许多自适应的优化现象不断地给人以启示，生物和自然中的生 态系 统可以利用自身的演化来让许多在人类看来高度复杂的优化问题得到几乎完美 的解决。近些年来，一些与经典的数学问题思想不同的，试图通过模拟自然生态 系统 来求解复杂优化问题的仿生学算法相继出现，如蚁群算法、遗传算法、粒子群算 法等。 这些算法大大丰富了现在优化技术，也为那些传统最优化技术难以处理的 组 合优化问题提供了切实可行的解决方案。 生物学家通过对蚂蚁的长期的观察发现，每只蚂蚁的智能并不高，看起来没 有集中的指挥，但它们却能协同工作，集中事物，建起坚固漂亮的蚁穴并抚养后 代， 依靠群体能力发挥出超出个体的智能。 蚁群算法是最新发展的一种模拟昆虫王国 中蚂蚁群体智能行为的仿生优化算法，它具有较强的鲁棒性、优良的分布式计算 机 制、易于与其他方法相结合等优点。尽管蚁群算法的严格理论基础尚未奠定，国 内外的相关研究还处于实验阶段， 但是目前人们对蚁群算法的研究已经由当初单 一 的旅行商问题(TSP)领域渗透到了多个应用领域，由解决一维静态优化问题发展 到解决多维动态组合优化问题， 由离散域范围内的研究逐渐扩展到了连续域范围 内的

蚁群优化算法的JAVA实现

蚁群优化算法的JAVA实现 一、蚁群算法简介 蚁群算法是群智能算法的一种，所谓的群智能是一种由无智能或简单智能的个体通过任何形式的聚集协同而表现出智能行为，它为在没有集中控制且不提供全局模型的前提下寻找复杂的分布式问题求解方案提供了基础，比如常见的蚂蚁觅食，大雁南飞等行为。蚁群算法是模拟自然界中蚂蚁觅食的一种随机搜索算法，由Dorigo等人于1991年在第一届欧洲人工生命会议上提出[1] 。 二、蚁群算法的生物原理 通过观察发现，蚁群在觅食的时候，总能找到一条从蚁巢到食物之间的一条最短的路径。这个现象引起了生物学家的注意，根据研究，原来是蚂蚁在行进的过程中，会分泌一种化学物质——信息素，而蚂蚁在行进时，总是倾向于选择信息素浓度比较高的路线。这样，在蚁巢和食物之间假如有多条路径，初始的时候，每条路径上都会有蚂蚁爬过，但是随着时间的推迟，单位时间内最短的那条路上爬过的蚂蚁数量会比较多，释放的信息素就相对来说比较多，那么以后蚂蚁选择的时候会大部分都选择信息素比较多的路径，从而会把最短路径找出来。 蚁群算法正是模拟这种蚁群觅食的原理，构造人工蚂蚁，用来求解许多组合优化问题。 有关蚁群算法的详细信息，可参考[2]——[5]。 三、蚁群算法的JAVA实现 我个人认为利用JAVA编写一些计算密集型的算法不是一个好的选择。本身一些算法是要要求高效率的，但是我感觉JAVA语言的性能不够，所以编写算法最好用c，其次也可以用c++。当然，这仅是一家之言，欢迎拍砖。 四、算法说明 算法以求解TSP问题为例，用来演示ACO的框架。 算法设定了两个类，一个是ACO，用来处理文件信息的读入，信息素的更新，路径的计算等；另一个是ant，即蚂蚁的信息。 算法中用到的数据，可以从TSPLib 上面下载，使用的是对称TSP数据，为了简化算法的代码，下载下来的数据需要做一个简单处理，即把TSP文件中除去城市节点信息部分之外的内容都删除掉，然后在文件首插入一行，写入此文件包含的城市的数目，以att48.tsp为例，下载下来的文件内容如下：

蚁群优化算法

蚁群优化算法ACO 一、蚁群算法的背景信息 蚁群优化算法(ACO)是一种模拟蚂蚁觅食行为的模拟优化算法，它是由意大利学者Dorigo M等人于1991年首先提出，之后，又系统研究了蚁群算法的基本原理和数学模型，并结合TSP优化问题与遗传算法、禁忌搜索算法、模拟退火算法、爬山法等进行了仿真实验比较，为蚁群算法的发展奠定了基础，并引起了全世界学者的关注与研究 蚁群算法是一种基于种群的启发式仿生进化系统。蚁群算法最早成功应用于解决著名的旅行商问题(TSP)，该算法采用了分布式正反馈并行计算机制，易于与其他方法结合，而且具有较强的鲁棒性。 二、蚁群算法的原理[1] 蚁群算法是对自然界蚂蚁的寻径方式进行模似而得出的一种仿生算法。蚂蚁在运动过程中，能够在它所经过的路径上留下一种称之为外激素(pheromone)的物质进行信息传递，而且蚂蚁在运动过程中能够感知这种物质，并以此指导自己的运动方向，因此由大量蚂蚁组成的蚁群集体行为便表现出一种信息正反馈现象：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。 基本的ACO模型由下面三个公式描述： 式（2-1）、式(2-2)和式(2-3)中：m为蚂蚁个数；n为迭代次数；i为蚂蚁所在位置；j为蚂蚁可以到达的置；为蚂蚁可以到达位置的集合；为启发性信息

，这里为由i到j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i到j的路径的信息素强度；为蚂蚁k由i到j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；Q为信息素质量系数；为蚂蚁k从位置i移动到位置j的转移概率。 三、改进的蚁群算法[3] 蚁群算法具有如下一些优点：①通用性较强，能够解决很多可以转换为连通图结构的路径优化问题；②同时具有正负反馈的特点，通过正反馈特点利用局部解构造全局解，通过负反馈特点也就是信息素的挥发来避免算法陷入局部最优； ③有间接通讯和自组织的特点，蚂蚁之间并没有直接联系，而是通过路径上的信息素来进行间接的信息传递，自组织性使得群体的力量能够解决问题。 但是，基本蚁群算法也存在一些缺点：①从蚁群算法的复杂度来看，该算法与其他算法相比，所需要的搜索时间较长；②该算法在搜索进行到一定程度以后，容易出现所有蚂蚁所发现的解完全一致这种“停滞现象”，使得搜索空间受到限制 3.1基于遗传学的改进蚁群算法研究 该文献[2]提出的算法弥补了基本蚁群算法中“容易陷入停滞状态”和“盲目随机搜索”的不足。文献中提出的解决办法是在每一次迭代搜索后，都把当前解和最优解进行交叉变异,这样既能搜索更大的解空间，又能使系统陷入局部最优后跳出停滞状态。 这种基于遗传学的蚁群算法（G-蚁群算法）的基本思想是在以蚁群算法为主体的基础上引入遗传算法的思想，目的是让蚁群算法经过迭代产生遗传算法所需的初始种群数据，提高种群数据的多样性。然后，遗传算法经过选择、交叉和变异操作,将处理后的数据交由蚁群算法模块进行判断处理，若满足结束条件则退出系统，否则重新进行迭代操作。 该文献中的交叉操作采用了Davis提出的OX交叉算子，即按照交叉概率Pc进行交叉操作，通过一个亲体中挑选出的子序列路径作为后代相对位置的子序列，变异操作以变异概率Pm执行变异操作，在子代序列路径中随机选择两点进行变异操作，在交叉变异操作结束后，判断当前解是否满足收敛条件，若满足收敛条件则更新当前最优解，返回蚁群算法程序,执行下一次的迭代操作。若不满足收敛条件则继续进行遗传算法的交叉变异操作。