第5章蚁群算法汇编.pptVIP

蚁群算法的误区与对策 * 误区一：利用最大概率确定被选城市。 s4 0.31 s2 0.49 s1 0.14 S3 0.06 轮盘赌法（赌轮选择法） ① 在［0, 1］区间内产生一个均匀分布的随机数r。 ② 若r≤q1,则城市x1被选中。 ③ 若qk-1r≤qk(2≤k≤N), 则城市xk被选中。 其中的qi称为城市xi (i=1, 2, …, n)的积累概率, 其计算公式为 对策一 * 误区二： Q值的影响不大 * 对策二 * 误区三：参数组合选择 * 对策三 3.实例仿真 采用靳潘教授所提出的31个城市的CTSP（求一条从北京出发经过中国31个省会城市及直辖市最后又回到北京的最短回路。 * 下图对应31个城市的巡回路线为：北京-福州-南昌-合肥-杭州-南京-西安-台北-太原-呼和浩特-沈阳-上海-石家庄-长春-哈尔滨-济南-天津-武汉-郑州-长沙-银川-兰州-广州-海口-南宁-西宁-成都-乌鲁木齐-昆明-拉萨-贵阳-北京。 从仿真结果看最优解为:15708km。 目前，公认的TSP问题最优结果为15398km，虽然，不完全相等，但是结果比较相近，这说明蚂蚁算法虽然不是TSP问题的最好算法，但是依据蚂蚁觅食过程提出的蚁群算法具有一定的可行性。 一、蚁群大小 一般情况下蚁群中蚂蚁的个数不超过TSP图中节点的个数。 二、终止条件 1 给定一个外循环的最大数目； 2 当前最优解连续K次相同而停止，其中K是一个给定的整数，表示算法已经收敛，不再需要继续。 蚁群的规模及停止规则 优化问题 蚂蚁觅食问题 各个状态 要遍历的各个路径 解 蚂蚁经过的一条完整路径 最优解 最短路径 各状态的吸引度 信息素的浓度 状态更新 信息素更新 目标函数 路径长度 蚂蚁觅食行为与优化问题的对照关系 ?① 其原理是一种正反馈机制或称增强型学习系统; 它通过【最优路径上蚂蚁数量的增加→信息素强度增加→后来蚂蚁选择概率增大→最优路径上蚂蚁数量更大增加】达到最终收敛于最优路径上。 ? ② 它是一种通用型随机优化方法, 它吸收了蚂蚁的行为特点, 它是使用人工蚂蚁仿真来求解问题。但人工蚂蚁决不是对实际蚂蚁的一种简单模拟, 它融进了人类的智能。具有一定的记忆能力，能够记忆已经访问过的节点。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，可以预先知道当前城市到下一个目的地的距离。 ? 4.蚁群算法的特点 ⑤ 它是一种启发式算法, 计算复杂性为 , 其中Nc是迭代次数, m是蚂蚁数目, n是目的节点数目。 ③ 它是一种本质上的并行算法。 ? ④ 它是一种全局优化的方法, 不仅可用于求解单目标优化问题, 而且可用于求解多目标优化问题。 ? 蚁群算法还不像其它的启发式算法那样已形成系统的分析方法和具有坚实的数学基础。参数的选择更多的是依靠实验和经验，没有定理来确定。而且它的计算时间偏长，国内外的有关研究仍停留在实验探索阶段，但从当前的应用效果来看，这种模仿自然生物的新型系统寻优思想无疑具有十分光明的前景。 5.总结 发展趋势 如今的主要研究方向就是利用ACO算法去解决更加复杂的优化问题，包括： 1、动态问题，在问题求解过程中，它的实例数据，例如目标函数值、决策参数、约束条件都在发生变化。 2、随机问题，在这类问题中，由于不确定性、噪音、近似性或其他因素，人们只能得到目标函数值、决策参数值与约束条件的概率信息； 3、多目标问题，其中使用一个多目标函数作为评估解质量的标准。 * 5 蚁群算法 Ant Colony Optimization * * 目录 1、蚁群算法起源 2、蚁群算法模型 3、实例仿真 4、蚁群算法特点 5、总结 双桥实验 蚁群优化（ant colony optimization,ACO）是20世纪90年代初由意大利学者M.Dorigo等通过模拟蚂蚁的行为而提出的一种随机优化技术（寻找优化路径的机率型算法）。 研究主要是以蚂蚁寻找食物之后能选择一条最短路径来连接蚁穴和食物源。 1991年，M.Dorigo在法国巴黎第一届欧洲人工生命会议上最早提出了蚁群算法的基本模型，1992年又在其博士论文中进一步阐述了蚁群算法的核心思想。 Macro Dorigo 1.蚁群算法起源 蚂蚁觅食过程 在蚁群寻找食物时，能够在它所经过的路径上留下一种称之为信息素(pheromone)的物质进行信息传递，而且蚂蚁在运动过程中能够感知这种物质，并以此指导自己的运动方向，因此由大量蚂蚁组成的蚁群集体行为便表现出一种信息正反馈现象： 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。最优路径上的信息素浓度越来越大，而其它的路径上激素浓度却会