蚁群算法及其改进策略——刘文要点详解.pptVIP

蚂蚁的生物学特征 寻找食物 蚂蚁寻找食物过程 中总会自动找到一 条最短路径。 蚂蚁搜寻食物的具体过程 在蚁群寻找食物时，它们总能找到一条从食物到巢穴之间的最优路径。这是因为蚂蚁在寻找路径时会在路径上释放出一种特殊的信息素。当它们碰到一个还没有走过的路口时．就随机地挑选一条路径前行。与此同时释放出与路径长度有关的信息素。路径越长，释放的激索浓度越低.当后来的蚂蚁再次碰到这个路口的时候．选择激素浓度较高路径概率就会相对较大。这样形成一个正反馈。最优路径上的激索浓度越来越大．而其它的路径上激素浓度却会随着时间的流逝而消减。最终整个蚁群会找出最优路径。 下面，我将从以下七个方面介绍我的作品。 首先是选题背景。 蚁群算法及其改进策略 Computer Science 软工：刘文 蚁群算法原理 算法详细流程 代码示例 算法优化 性能分析 蚁群算法原理 蚁群算法原理 Macro Dorigo Gambardella 20世纪90年代意大利学者M．Dorigo，V．Maniezzo，A．Colorni等从生物进化的机制中受到启发，通过模拟自然界蚂蚁搜索路径的行为，提出来一种新型的模拟进化算法—— 蚁群算法（Ant Colony Algorithm），是群智能理论研究领域的一种主要算法。 应用：蚁群算法是一种基于种群的启发式搜索算法 。蚁群算法广泛应用于路由类问题（旅行商）、分配类问题、调度类问题、子集类问题、机器学习类问题等。多为NP难题。 生物原理：蚁群寻找食物时会派出一些蚂蚁分头在四周游荡, 如果一只蚂蚁找到食物, 它就返回巢中通知同伴并沿途留下“ 信息素”(外激素pheromone)作为蚁群前往食物所在地的标记。信息素会逐渐挥发,如果两只蚂蚁同时找到同一食物, 又采取不同路线回到巢中, 那么比较绕弯的一条路上信息素的气味会比较淡, 蚁群将倾向于沿另一条更近的路线前往食物所在地。根据“信息素较浓的路线更近”的原则, 即可选择出最佳路线. 蚁群算法原理 蚁群算法解决TSP问题 给定n个城市和两个两个城市之间的距离，要求确定一条经过各个城市一次当且仅当一次的最短路径。 TSP 1. 2. 3. 4. 初始化蚁群情境（蚂蚁分布，数量，问题定义） 初始化 制定选择路径的具体措施（路径概率定义） 构造路径 信息素更新策略（增加、销往） 信息更新 制定算法的迭代终止策略。 得到结果 初始化 构造路径 信息更新 得到结果 初始化 将m只蚂蚁随机放到n个城市，每只蚂蚁的禁忌表为蚂蚁当前所在城市，各边信息初始化为c。 禁忌表体现了人工蚂蚁的记忆性，使得蚂蚁不会走重复道路，提高了效率。 放在同一个城市效果相同 TSP问题，城市不可重复的要求 初始化 构造路径 信息更新 得到结果 构造路径 在t时刻，蚂蚁k从城市i转移到城市j的概率为： 为边（i，j）的轨迹强度， 为边（i，j）的能见度，为 ， 轨迹的相对重要程度，（0,5） 能见度的相对重要程度（1,5）。 初始化 构造路径 信息更新 得到结果 信息更新 蚂蚁寻找到路径，释放信息素 随着时间的推移，信息量减弱（能见度） 第一方面 第二方面 信息素更新规则： 其中： 初始化 构造路径 信息更新 得到结果 信息更新 针对蚂蚁释放信息是问题，M.Dorigo等人曾给出3中不同的模型，分别为蚁周系统、蚁量系统和蚁密系统。 1.Ant-Circle System 2.Ant-Quantity System 3.Ant-Dentity System 找到正确路径了，才更新 单位时间更新信息量 与距离无关 初始化 构造路径 信息更新 得到结果 得到结果 算法迭代终止条件 达到预先设定的最大迭代次数 目前此种方法的效果比较好~ 迭代结果出现退化现象（结果一直相同） 此种条件在其他迭代算法中应用较多，如遗传 达到预先设定的最大运行时间 2 3 1 在一些应用中，考虑效率，会设定最大运行时间。 二、算法详细流程 开始 初始化，分配蚂蚁,修改禁忌表 迭代次数N=N+1 蚂蚁K 蚂蚁K=K+1 按照状态转移概率用轮盘赌选择下一个城市 修改禁忌表 蚂蚁总数km? N 计算每只蚂蚁走的距离，更新信息素 满足结束条件？ Y 输出结果 N Y 禁忌表需要初始化哦~~ 算法流程图 算法过程 算法过程 算法过程 三、代码示例 用vs2010实现，蚁群求解TSP问题。 代码展示：见文档蚁群算法.txt 代码示例 四