人工智能原理5.ppt

* 机器鱼 * 机器鱼 * 机器鱼 * 机器鱼 * 机器鱼 这些机器鱼是由英国艾克塞斯大学计算机科学系的胡霍生（Huosheng Hu）教授和他带领的人类中心机器人小组制作的。 * 蚁群算法 20世纪90年代初期，意大利学者多里戈、马尼佐和科洛龙等人从生物进化和仿生学角度出发，研究蚂蚁寻找路径的自然行为，提出了蚁群算法，并用该方法求解TSP问题、二次分配问题和作业调度等问题，取得较好的效果。 * 蚁群算法 蚁群算法是对自然界蚂蚁的寻径方式进行模似而得出的一种仿生算法。蚂蚁在运动过程中，能够在它所经过的路径上留下一种称之为外激素(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。 * 蚁群算法 为了说明蚁群算法的原理，先简要介绍一下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。 * 简化的蚂蚁寻食过程 1/3 蚂蚁从A点出发，速度相同，食物在D点，可能随机选择路线ABD或ACD。假设初始时每条分配路线一只蚂蚁，每个时间单位行走一步，本图为经过9个时间单位时的情形：走ABD的蚂蚁到达终点，而走ACD的蚂蚁刚好走到C点，为一半路程。 * 简化的蚂蚁寻食过程 2/3 本图为从开始算起，经过18个时间单位时的情形：走ABD的蚂蚁到达终点后得到食物又返回了起点A，而走ACD的蚂蚁刚好走到D点。 * 简化的蚂蚁寻食过程 3/3 假设蚂蚁每经过一处所留下的信息素为一个单位，则经过36个时间单位后，所有开始一起出发的蚂蚁都经过不同路径从D点取得了食物，此时ABD的路线往返了2趟，每一处的信息素为4个单位，而 ACD的路线往返了一趟，每一处的信息素为2个单位，其比值为2：1。 寻找食物的过程继续进行，则按信息素的指导，蚁群在ABD路线上增派一只蚂蚁（共2只），而ACD路线上仍然为一只蚂蚁。再经过36个时间单位后，两条线路上的信息素单位积累为12和4，比值为3：1。 若按以上规则继续，蚁群在ABD路线上再增派一只蚂蚁（共3只），而ACD路线上仍然为一只蚂蚁。再经过36个时间单位后，两条线路上的信息素单位积累为24和6，比值为4：1。 若继续进行，则按信息素的指导，最终所有的蚂蚁会放弃ACD路线，而都选择ABD路线。这也就是前面所提到的正反馈效应。 * Interrupt The Flow * The Path Thickens! * The New Shortest Path * Adapting to Environment Changes * 自然蚁群与人工蚁群算法 基于以上蚁群寻找食物时的最优路径选择问题，可以构造 人工蚁群，来解决最优化问题，如TSP问题。 人工蚁群中把具有简单功能的工作单元看作蚂蚁。二者的 相似之处在于都是优先选择信息素浓度大的路径。较短路径的 信息素浓度高，所以能够最终被所有蚂蚁选择，也就是最终的 优化结果。 两者的区别在于人工蚁群有一定的记忆能力，能够记忆已 经访问过的节点。同时，人工蚁群再选择下一条路径的时候是 按一定算法规律有意识地寻找最短路径，而不是盲目的。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。 * 算法步骤（以TSP为例） 初始化 蚂蚁随机分布到各个城市 环游 蚂蚁依次选择路径直到返回出发点 更新路径 * 算法核心 转移概率的计算 i：蚂蚁当前位置；j：蚂蚁可以到达的位置；A：蚂蚁可以到达位置的集合；ηij：启发性信息；τij：i到j的路径的信息素数量 * 算法核心(续) 信息素更新 Δτijk：蚂蚁k由i到j的路径上留下的单位长度轨迹信息素数量 0≤α≤5，1≤β≤5，0.1≤ρ≤0.99，10≤Q≤10000 * 信息素更新与算法 在线更新online update 完全模拟蚂蚁运动规律 离线更新offline update 人为 在线更新方式已被可获得更佳效果的离线更新方式所取代 * 信息素更新与算法