2012年数学建模之蚁群算法.ppt

蚁群算法 国防科技大学理学院数学系 成礼智 2011年夏季学期数学建模竞赛讲座 其基本原理如下图： 上图表示蚂蚁觅食的线路，A为蚁穴 , B为食源，从到有两条线路可 走， 是长路径， 是短路径.蚂蚁走过一条路线 以后，在地面上会留下信息素气味，后来蚂蚁就是根据留在地面上这 种气味的强度选择移动的方向. （4）移动规则：每只蚂蚁都朝向信息素最多的方向 移，当周围没有信息素指引的时候，蚂蚁会按照原来运动 的方向惯性的运动下去，在运动的方向有一个随机的小的 扰动.为了防止蚂蚁原地转圈，它会记住最近刚走过了哪些 点，如果发现要走的下一点已经在最近走过了，它就会尽 量避开. （5）避障规则：如果蚂蚁要移动的方向有障碍物挡住， 它会随机的选择另一个方向，并且有信息素指引的话，它 会按照觅食的规则行为. （6）播撒信息素规则：每只蚂蚁在刚找到食物或者窝的 时候散发的信息素最多，并随着它走的距离越远，播撒的 信息素越来越少. (4) 人工蚁利用真实蚁觅食行为中的自催化机制—正反馈 当一些路径上通过的蚂蚁越来越多时，路径上留下的信息素轨迹也越来越多，使得信息素强度变大，根据蚂蚁群倾向于选择信息强度大的特点，后来的蚂蚁选择该路径的概率也越高，从而增加了该路径的信息素强度（自催化过程），自催化机制利用信息素作为反馈，通过对系统演化过程中较优解的增强作用，使得问题的解向着全局最优的方向逐步接近. (5) 信息素的挥发机制 在蚁群算法中设置一种挥发机制，类似于真实信息素的挥发，这种机制需要蚂蚁忘记过去，不受过去经验的过分约束，有利于指引蚂蚁朝着新的方向搜索，避免早熟收敛. (6) 利用当前信息进行路径选择的随机选择策略 人工蚁与真实蚁都是利用概率选择策略实现一个节点到相邻节点的移动，选择策略只利用当前的信息去预测未来的情况，而不能利用未来的信息，因此，人工蚁与真实蚁所使用的选择策略在时间和空间上都具有局部特性. 人工蚁具备一些真实蚁所不具备的特征，主要体现在下列五个方面： (1) 人工蚁存在于离散空间中，它们的移动实质上是有一个离散状态到另一个离散状态的转移； (2) 人工蚁具有一个记录其过去自身行为的内在状态（记 忆特性）； (3) 人工蚁存在于与时间无关联的环境之中； (4) 人工蚁并非完全盲从，它受到问题特征的启发，例 如，有的问题中人工蚂蚁产生一个解后改变信息量，而在有 的问题中人工蚂蚁每做一次选择便改变信息量； (5) 为了提升人工蚁系统的性能，改进算法效率，人工蚁 可增加一些性能，如预测未来、局部优化、回溯等. 2.3 蚁群算法与TSP问题 2.3.1 蚁群算法模型的建立 （1）蚂蚁个体的抽象: 抽象出能够为建立模型起作用的真 实蚁群的机理，摒弃与建立模型算法无关的因素. （2）问题空间的描述: 蚂蚁轨迹可以看成二维平面上的活动，其活动过程为一个状态到另一个状态的迁移，利用蚁群算法求解的采用图论语言来描述就显得非常自然，另一方面，在实际问题中的许多应用问题可以通过图的语言来描述，这就使得蚁群算法的广泛应用成为可能. （3）寻找路径的抽象: 把真实蚂蚁的觅食过程抽象成算法中解的构造过程，将信息素抽象成存在于图边上的轨迹，信息素的大小可以通过设置权重来体现，并根据权重的值决定走向下一个节点的概率.用任何两个节点分别表示蚂蚁的巢穴（初始节点）和食物源（终止节点），人工蚂蚁按照一定的状态转移概率从初始节点移动到邻近的节点，以此类推，最终选择行走到目标节点，从而得到问题的一个可行解. （4）信息素挥发的抽象: 自然界中真实蚂蚁在所经过的路径上会连续不断的留下信息素，而信息素也会随着时间的推移连续不断的挥发，在人工蚁群算法中，蚂蚁完成从某一节点到相邻节点的一次移动后（相应于经过一个时间单位），进行一次信息素挥发，这有利于避免陷入局部最优的陷阱. （5）启发因子的引入: 为了设计有效的蚁群算法，在决定蚂蚁行走方向的状态转移概率时，引入一个随机搜索的过程，即引入一个启发因子，根据所求问题空间的具体特征，给蚁群算法一个初始的引导，从而极