蚁群优化算法详解.ppt

5.3.4 蚁群系统 顺序构建和并行构建。顺序构建是指当一只蚂蚁完成一轮完整的构建并返回到初始城市之后，下一只蚂蚁才开始构建；并行构建是指所有蚂蚁同时开始构建，每次所有蚂蚁各走一步（从当前城市移动到下一个城市）。对于ACS，要注意到两种路径构建方式会造成算法行为的区别。 在ACS中通常我们选择让所有蚂蚁并行地工作。 5.3.5 连续正交蚁群系统 连续正交蚁群算法（Continuous Orthogonal Ant Colony, COAC）：近年来，将应用领域扩展到连续空间的蚁群算法也在发展，连续正交蚁群就是其中比较优秀的一种。COAC通过在问题空间内自适应地选择和调整一定数量的区域，并利用蚂蚁在这些区域内进行正交搜索、在区域间进行状态转移、并更新各个区域的信息素来搜索问题空间中的最优解。 COAC的基本思想是利用正交试验的方法将连续空间离散化。 5.4 相关应用 车辆路径问题 （Vehicle Routing Problem，VRP） 车间作业调度问题 （Job-Shop Scheduling Problem，JSP） 二次分配问题 （Quadratic assignment problem, QAP） 网络路由 （ Network Routing） 其他…… 子集问题 （Set Problem） ACO 图像处理 数据挖掘 二维格模型蛋白质折叠问题 最短公共超序列问题 5.5 参数设置 参数 参考设置 蚂蚁数目m 在用AS、EAS、ASrank和MMAS求解TSP问题时，m取值等于城市数目n算法有较好性能；而对于ACS，m=10比较合适。 信息素权重a与启发式信息权重b 在各类ACO算法中设置a=1，b=2~5比较合适。 信息素挥发因子r 对于AS和EAS，r=0.5；对于ASrank，r=0.1；对于MMAS，r=0.02；对于ACS，r=0.1，算法的综合性能较高。 初始信息素量t0 对于AS，t0=m/Cnn；对于EAS，t0=(e+m)/rCnn；对于ASrank，t0=0.5r(r-1)/rCnn；对于MMAS，t0=1/rCnn；对于ACS，t0=1/nCnn。 释放信息素的蚂蚁个数w 在ASrank中，参数w设置为w=6。 进化停滞判定代数rs 在MMAS中，参数rs设置为rs=25。 信息素局部挥发因子x 在ACS中，参数x设置为x=0.1。 伪随机因子q0 在ACS中，参数q0设置为q0=0.1。 第5章 蚁群优化算法 Contents 基本原理 1 算法流程 2 改进版本 3 相关应用 4 参数设置 5 5.1 基本原理 自然界蚂蚁群体在寻找食物的过程中，通过一种被称为信息素（Pheromone）的物质实现相互的间接通信，从而能够合作发现从蚁穴到食物源的最短路径。 通过对这种群体智能行为的抽象建模，研究者提出了蚁群优化算法（Ant Colony Optimization, ACO），为最优化问题、尤其是组合优化问题的求解提供了一强有力的手段。 自然界蚂蚁觅食行为 蚁群优化算法 5.1 基本原理 自然界蚂蚁觅食行为 蚁群优化算法 蚁群 搜索空间的一组有效解 问题的搜索空间 信息素浓度变量 一个有效解 问题的最优解 觅食空间 信息素 蚁巢到食物的一条路径 找到的最短路径 对应关系 蚂蚁间的通信 启发式搜索 5.1 基本原理 蚂蚁在寻找食物的过程中往往是随机选择路径的，但它们能感知当前地面上的信息素浓度，并倾向于往信息素浓度高的方向行进。信息素由蚂蚁自身释放，是实现蚁群内间接通信的物质。由于较短路径上蚂蚁的往返时间比较短，单位时间内经过该路径的蚂蚁多，所以信息素的积累速度比较长路径快。因此，当后续蚂蚁在路口时，就能感知先前蚂蚁留下的信息，并倾向于选择一条较短的路径前行。这种正反馈机制使得越来越多的蚂蚁在巢穴与食物之间的最短路径上行进。由于其他路径上的信息素会随着时间蒸发，最终所有的蚂蚁都在最优路径上行进。 5.2 算法流程 路径构建 每只蚂蚁都随机选择一个城市作为其出发城市，并维护一个路径记忆向量，用来存放该蚂蚁依次经过的城市。蚂蚁在构建路径的每一步中，按照一个随机比例规则选择下一个要到达的城市。 ACO基本要素 信息素更新 当所有蚂蚁构建完路径后，算法将会对所有的路径进行全局信息素的更新。注意，我们所描述的是AS的ant-cycle版本，更新是在全部蚂蚁均完成了路径的构造后才进行的，信息素的浓度变化与蚂蚁在这一轮中构建的路径长度相关。 蚂蚁系统（Ant System，AS）是最基本的ACO算法，是以TSP作为应用实例提出的。 5.2 算法流程 路径构建—— 伪随机比例选择规则（random proportional） 对于每只蚂蚁k，路径记忆向量Rk按照访问顺序记录了所有k已经经过的城市序号。设