蚁群优化算法要点详解.pptVIP

* Initialization Distribute the ants, Modify the tabu Calculate the probability of moving between cities i++ Update pheromone between cities i=city.N Meet the requirement of the solution Number of traverse city i=1 output Move to j and modify the tabu N Y Calculate the distance each ant walks the loop Y N Each ant choose the next city * 实现过程 * 实现过程 * 实现过程 * 实现过程 * 中国旅行商问题 1.5602e+04 ACATSP(C,100,10,1,5,0.1,100) * 遗传算法和蚁群算法在求解TSP问题上的对比分析 * 细菌觅食机理 趋向性操作 设细菌种群大小为S，一个细菌所处的位置表示一个问题的候选解，细菌i的信息用D维向量表示为 细菌i在第j次趋向性操作、第k次复制操作 和第l次迁徙操作之后的位置表示为 细菌i的每一步趋向性操作表示如下： C(i)0 表示向前游动的步长单位 表示旋转后选择的一个随机前进方向 * 细菌觅食机理 聚群行为 “抱团” 在细菌趋向最佳生存环境的过程中，菌落的个体根据自身当前的适应度值对其他所有细菌释放信息，吸引素和排斥素，即信息素。同时，此细菌接受其他所有细菌的释放的吸引素和排斥素，在其所有信息素的作用下修改自己的适应值。保证向局部环境变好的位置移动。在一个菌落中，上述个体间的信息素浓度计算方法可表示为： * 算法简介 * 细菌觅食机理 聚群行为 “抱团” 其中，Jcc(θ,P(j,k,l))是一种随种群分布状态变化的目标函数，当它被叠加到问题的实际目标函数时，就表示了细菌与最佳个体的相对距离变化趋势；S 表示种群的大小；p指明了优化问题的维度。 类比：其他群智能算法的聚群行为： 花蜜源比较差的侦查蜂转向花蜜源比较好的侦查蜂，变成跟随蜂 ---舞蹈 亮度比较弱的萤火虫转向亮度比较好的萤火虫-----荧光素 * 细菌觅食机理 复制（优胜劣汰） 经过一个周期的趋向操作后，菌落进行复制操作。该操作遵循达尔文的 优胜劣汰原理。首先，菌落依据适应度值排序，获得足够多食物（适应 度函数较优）的个体进行分裂，而能量不足的个体将会死去。同时， 分裂的个体和死去的个体数量相等，这保证了种群数量的稳定。产生的 新一代个体进入下一个趋向操作周期。 其他群智能算法的淘汰机制： 花蜜源比较差的侦查蜂转向花蜜源比较好的侦查蜂过程 淘汰花蜜源比较差的蜜蜂 萤火虫亮度比较弱的淘汰 * 细菌觅食机理 前提 经过复制操作后 算法的种群大小不变 蚁群优化算法Ant Colony Optimization * 算法介绍 群智能算法 群智能是一种由简单智能的个体通过某种形式的聚集协同而表现出智能行为。它在没有集中控制，不提供全局模型的前提下寻找复杂的分布式问题求解方案提供了基础。群智能算法通过模仿生物界的进化机理和群体协作行为而提出的仿生类随机搜索算法。 去 人工蜂群算法 细菌觅食算法 萤火虫算法 粒子群算法 人工鱼群算法 鸟群算法 * 蚁群算法的提出 Gambardella Macro Dorigo * 蚁群算法的发展 2001年至今 1996年-2001年 意大利学者 Dorigo1991年 Dorigo1991年 启发 各种改进算法的提出，应用领域更广 引起学者关注，在应用领域得到拓宽 ACO首次被系统的提出 自然界中真实蚁群集体行为 * 蚁群算法原理 如何找到最短路径 ？ 类比： 大肠杆菌在人体肠道内觅食的过程 信息素：信息素多的地方显然经过这里的蚂蚁多，因而会有更多的蚂蚁聚集过来。 正反馈现象：某一路径上走过的蚂蚁越多，则后来者选择该路径的概率就越大。 * 蚁群算法原理 自然蚂蚁的智能特点 * 蚁群算法原理 人工蚂蚁的模型 * 蚁群算法原理 自然蚁群与人工蚁群 相似之处在于：都是优先选择信息素浓度大的路径。 两者的区别在于： （1）人工蚁群有一定的记忆能力，能够记忆已经访问过的节点。 （2）人工蚁群选择路径时不是盲目的，而是按一定规律有意识地寻找最短路径。例如在TSP问题中，可以预先知道