蚁群优化算法预案.pptVIP

1.1 基本原理 1.1 基本原理 1.1 基本原理 双桥实验 1.1 基本原理 双桥实验 1.1 基本理论 1.1基本理论 1.1基本理论 1.2 研究进展 1.2 研究进展 2.1 TSP问题 2.2 贪婪算法 2.3 蚂蚁系统理论 2.3 蚂蚁系统理论 2.3 蚂蚁系统理论 2.3 蚂蚁系统理论 2.3 蚂蚁系统理论 2.3 蚂蚁系统理论 2.3 蚂蚁系统理论 2.3 蚂蚁系统理论 2.4 蚂蚁系统算法 2.4 蚂蚁系统算法 2.4 蚂蚁系统算法 3.1 精华蚂蚁系统 3.1 精华蚂蚁系统 3.2 基于排列蚂蚁系统 3.2 基于排列蚂蚁系统 3.3 最大最小蚂蚁系统 3.3 最大最小蚂蚁系统 3.3 最大最小蚂蚁系统 3.3 最大最小蚂蚁系统 3.3 最大最小蚂蚁系统 3.4 蚁群系统 3.4 蚁群系统 3.4 蚁群系统 3.4 蚁群系统 3.4 蚁群系统 3.4 蚁群系统 3.5 蚁群算法的其他改进版本 4 蚁群优化算法的相关应用 信息素的更新： 信息素的更新： 参数e作为 的权值， 是算法开始至今最优路径的长度，其中搜索到至今最优路径用 表示。 信息素的更新： 提出背景： 在EAS提出后，有没有更好的一种信息素更新方式，它同样使 各边的信息浓度得到加强，且对其余各边的信息素更新机制亦有改善？ 基于排列的蚂蚁系统就是这样的一种改进版本，在每一轮所有蚂蚁 构建完路径后，将按照所得路径的长度进行排名，只有生成了至今 最优路径的蚂蚁和排名在前（w-1）的蚂蚁才允许释放信息素，蚂 蚁在边（i,j）上释放的信息素的权值由蚂蚁的排名决定。 在EAS提出后，有没有更好的一种信息素更新方式，它同样使 各边的信息浓度得到加强，且对其余各边的信息素更新机制亦有改善？ 信息素的更新： 至今最优路径不一定出现在当前迭代的路径中，各种蚁群算法均假设蚂蚁有记忆能力，至今最优路径总是能被记住。路径 将获得最多的信息素量，排名越前的蚂蚁释放的信息素量越大，权值对不同路径的信息素浓度差异起了一个放大作用。一般 最大最小蚂蚁系统 提出背景： 1.对于大规模的TSP，由于搜索蚂蚁的个数有限，而初始化时蚂蚁的 分布是随机的，这会不会造成蚂蚁只搜索了所有路径中的小部分就 以为找到了最好的路径，而真正优秀的路径并没有被探索到呢？ 2.当所有蚂蚁都重复构建着同一条路径的时候，意味着算法已经进入 了停滞状态，有没有办法利用算法停滞后的迭代过程进一步搜索以 保证找到更接近真实目标的解呢？ 在基本AS算法基础上的改进： 1 只允许迭代最优蚂蚁或者至今最优蚂蚁释放信息素。 2 信息素量大小的取值范围被限制在一个区间内。 3 信息素初始值为信息素取值区间的上限，并伴随一个较小的信息素蒸发速率 4 每当系统进入停滞状态，问题空间内所有边上的信息 素量都会被重新初始化。 信息素更新 若只使用迭代最优更新规则，则算法的探索能力会增强，但收 敛速度会下降；只使用至今最优更新规则进行信息素的更新， 搜索导向性很强。一种好的方式，在算法迭代过程中，逐渐加 大至今最优更新的概率。 当被允许的蚂蚁是至今最优蚂蚁时，这时有 ；当其为当前迭代最优的蚂蚁，这时有 ，其中 是当前迭代的最优路径长度。一般而言，在MMAS中，迭代最优更新规则和至今最优更新规则会被轮流使用。 信息素限制 1 在MMAS中任何一条边可能存放的信息素大小都被限制在由一个取值范围 内。 2 在算法执行了足够多的迭代次数后，任何一条边上含有的信息素量的上界是 ,其中 代表最优路径的长度。故，MMAS使用对 的估计值 来定义 每当发现一条新的至今最优路径，就更新 的值。相应地，信息素量的下界被设定为 ，其中a是一个参数。 信息素的初始化与重新初始化 1 算法开始时，所有边上的信息素初始值都被设定为信息素上界的一个估计值，并选一个较小的信息素蒸发参数，使得不同边上的信息素之间的差异只能够缓慢的增加，故初始阶段，具有很强的探索性。 2 当算法接近或者进入停滞状态时，问题空间内所有边上的信息素浓度对将被重新初始化，使算法具有更强的全局寻优能力。 蚁群系统使用了一种伪随机比例规则选择下一城市节点，建立开发当前路径与探索新路径之间的平衡。 信息素全局更新规则只在属于至今最优路径的边上蒸发和释放信息素。 新增信息素局部更新规则，蚂蚁每次经过空间 内的某条边，它都会去除该边上一定量的信息素，以增加后续蚂蚁探索其余路径的可能性。 蚁群系统与AS不同 1.状态转移规则