遗传算法与蚁群算法简介精要.ppt

主要内容 智能优化算法简介 问题的NP-完全特性 常用的智能优化算法 遗传算法-Genetic Algorithm 群智能优化算法 蚁群优化算法-Ant Colony Optimization 粒子群优化算法-Particle Swarm Optimization … 北京交通大学计算机与信息技术学院 * * 蚁群优化算法(Ant Colony Optimization) 蚁群优化算法（蚂蚁算法），是一种分布式智能模拟算法 由M. Dorigo于1992年在他的博士论文中提出，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为 基本思想是模拟蚂蚁依赖信息素进行通信而显示出的社会行为 是一种随机的通用试探法，可用于求解各种不同的组合优化问题 初始的蚁群优化算法是基于图的蚁群系统，过程如下（以求解对称的TSP问题为例）： 北京交通大学计算机与信息技术学院 * * 问题的描述：n个城市N = {1, 2, …, n}，任两城市的边 A = {(i, j) | i, j ∈ N}，城市间的距离为D = (dij)n×n 设有m只蚂蚁，其出发城市可随机确定 路径的构造 为TSP图中的每一条弧(i, j)赋信息素初值τij(0)，通常的做法是随机生成一个解，设其目标值为f0，则τij(0) =1/f0 设置城市间的启发式信息ηij ，通常ηij = 1/dij 设第k只蚂蚁在城市i，则其根据下面的概率选择下一个城市： 其中 另外，每一蚂蚁有一个表list，用于记录其访问过的城市；当访问了所有的城市后，就可以在其经过的路径上更新信息素 北京交通大学计算机与信息技术学院 * * α与β表示信息素与启发式信息的相对重要程度，通常α = 1或2，β = 2或3 表示蚂蚁k可选的城市集合，即其还未访问过的城市集合 信息素更新策略 （局部更新）所有蚂蚁周游完成后更新信息素：首先以一定的比例(1 - ρ)减少每条边上的信息素（ 表示信息素的挥发），然后更新各自路径上的信息素，即更新信息素的方式为 其中信息素的挥发机制可以避免信息素大量积累，也体现了生物界的“遗忘”现象； 表示蚂蚁k在边(i, j)上留下的信息素，如果蚂蚁没有经过该边，则其留下的信息素为0，即 其中， 表示蚂蚁k构造的路径的长度，Q是一常数（比如1） 此机制体现了：构造的路径越短，蚂蚁留下的信息素越多；某边经过的蚂蚁越多，其上积累的信息素也就越多 北京交通大学计算机与信息技术学院 * * 全局更新：对于一次迭代中最好的那只蚂蚁，单独更新其 经过路径上的信息素 上面的蚁群优化算法的不足 信息素的累积造成“停滞”现象：蚂蚁基本上走同一条路径 要得到更好的优化能力往往需要与局部搜索算法结合：对最好的路径执行局部搜索 蚁群算法的改进 精英策略：对已发现的最好路径给予额外的增强，从而增大较好路径的选择概率 负反馈机制：蚂蚁走过一条边时，立即减少该边上的信息素，以减少该边再次被选中的概率 Max-Min蚂蚁系统：将信息素的浓度限制在[min, max]的范围内，避免搜索停滞[T. Stutzle, H. Hoos, MAX-MIN Ant System, FGCS, 2000, 16:889-914] 北京交通大学计算机与信息技术学院 * * 蚁群优化算法-较成功的算法 北京交通大学计算机与信息技术学院 * * 算法名称 提出者 年份 Ant System (AS) Dorigo et al. 1991 Elitist AS Dorigo et al. 1992 Ant-Q Gambardella, Dorigo 1995 Ant Colony System Dorigo, Gambardella 1996 Max-Min AS Stutzle, Hoos 1996 Rank-Based AS Bullnheimer et al. 1997 Ants Maniezzo 1999 BWAS Cordon et al. 2000 Hyper-Cube AS Blum et al. 2001 蚁群优化算法-较成功的应用 北京交通大学计算机与信息技术学院 * * 问题类型 问题名称 作者 年份 路径规划 旅行商问题 Dorigo et al. 1991, 1996 Dorigo, Gambardella 1997 Stutzle, Hoos 1997, 2000 车辆路径规划 Gambardella et al. 1999 Reimann et al. 2004 有序排列 Gambardella, D