文摘广泛应用于经典NP难问题即旅行商问题(Traveling Salesman Problem,TSP)的蚁群优化(Ant Colony Optimization,ACO)算法存在容易陷入局部最优、收敛速度慢等问题,但其采用正反馈机制并具备较强的鲁棒性,适合与其他算法相融合从而改进优化。基于此,引入人工蜂群的分级思想,提出了一种多级蚁态的蚁群改进(Multistage State Ant Colony Optimization,MSACO)算法。通过引入适应度算子将传统单蚁态蚁群划分为王蚁、被雇佣蚁和非雇佣蚁,并且在每次迭代后重新分配身份以动态维持多级蚁态。王蚁寻找最优路径即最优食物源,被雇佣蚁负责路径构建,非雇佣蚁进行局部优化。为了使非雇佣蚁更有效地获得优质解,提出了一种固定邻域优化算法。实验结果表明,在TSPLIB库的7个数据集中,MSACO均可以达到理论最优解程度,较其他改进算法的最优解迭代次数与运行时间可以减少约40%与50%。
