Trên cơ sở thuật toán HUIM-ACS đã được trình bày ở trên, tôi cải tiến thuật toán bằng cách áp dụng quy tắc cập nhật mùi của hệ kiến Max-Min trơn (SMMAS).
Khi đó, quy tắc cập nhật mùi sẽ là:
←(1− ) + ∆
Trong đó:
∆ = {
Với ACS, để xác định 0 ta cần tìm một lời giải theo phương pháp heuristic và dựa vào giá trị hàm mục tiêu của nó. Vì giá trị hàm mục tiêu này nhận được ngẫu nhiên, nên khó xác định tốt tham số cho học tăng cường. Quy tắc cập nhật mới cho phép ta xác định các tham số này đơn giản và hợp lý hơn, trong SMMAS ta chỉ cần
xác định tỉ lệ giữa , . Trong thực nghiệm, tôi thiết đặt = 1.0 và xác định qua tỉ lệ giữa , .
Việc thêm mùi cho các cạnh thuộc lời giải tốt ở mỗi bước lặp trong thuật toán ACS, ta phải xây dựng hàm để tính lượng mùi được thêm dựa trên chất lượng lời giải do kiến xây dựng được. Ví dụ, trong bài toán TSP, ACS sử dụng hàm nghịch
đảo độ dài đường đi được kiến xác định. Điều này cũng là một trong những khó khăn khi áp dụng. Tuy nhiên, trong SMMAS không cần phải xây dựng hàm này. Thuật toán này có cùng độ phức tạp như ACS, nhưng ít phép toán hơn vì không phải tính hàm mục tiêu ở lượng mùi cập nhật.
Trong thuật toán đề xuất HUIM-SMMAS, chọn tỉ lệ
+50
ế ≥ 50, là số đỉnh.
={100
1 ế < 50
Hiệu quả của phương pháp cập nhật mùi trong hệ kiến đã được nhóm tác giả [36] chứng minh bằng thực nghiệm. Do đó, thuật toán HUIM-SMMAS sẽ cho kết quả tốt hơn thuật toán cũ. Tôi sẽ tiến hành thực nghiệm, so sánh và đánh giá kết quả ở chương sau.
