蚁群优化算法汇总.ppt

copyright:hhq copyright:hhq 蚁群优化算法概述 内容 基本概念 蚁群优化算法（Ant Colony Optimization,ACO） 是一种针对难解的离散优化问题的元启发式算法，利用一群人工蚂蚁的协作来寻找好的解。 既适用于静态组合优化问题，又适用于动态组合优化问题。前者如旅行商问题（TSP），后者如通讯领域的路由问题等。 启发式算法（Heuristic Algorithm） 在可接受的花费（指时间和空间）下给出待解决组合优化问题每一个实例的一个可行解，该可行解与最优解的偏离程度不一定能事先预计，也不能保证每次能用相同的时间求出结果。 有趣的问题 1.为何大多数蚂蚁在觅食时，会选择相同的路径，而且这条路径往往是一条食物和巢穴之间的最短路径，它们是如何做到的？ 2.当原来最优路径上出现了障碍物或者食物位置改变了；蚁群仍能够重新探索出新的一条最优路径？ 蚁群行为描述 仿生学家经过长期研究发现：蚂蚁虽然没有视觉，但是存在一种化学物质—信息素（pheromone）用于蚂蚁之间以及蚂蚁与环境的交互。 在没有信息素的情况下，蚂蚁是随机挑选路径的，同时释放出与路径有关的信息素。路径越长，信息素量越小。如果当前路径上存在信息素，蚂蚁倾向于信息素浓度高的路径。由于较短路径上，蚂蚁往返的时间短，单位时间内经过的蚂蚁数多，信息素累计的也多，因此会吸引更多的蚂蚁。信息素还会随着时间蒸发，其他路径上的信息素浓度下降，最终绝大多数的蚂蚁将沿着最优路径前行。 蚂蚁行为图解 蚁群优化算法起源 蚁群优化算法机制原理 蚁群优化的本质在于： 选择机制：信息素越多的路径，被选择的概率越大。 更新机制：路径上面的信息素会随蚂蚁的经过而增长，同 时也随时间的推移逐渐挥发消失。 协调机制：蚂蚁间通过环境中的信息素来协同工作。 蚁群算法的寻优包含两个基本过程： 蚂蚁构建解（ConstructAntSolution） 通过使一群蚂蚁并行异步访问邻近点，逐步建立优化问题的解。 更新信息素（UpdatePheromones）依据蚂蚁所构建的解修改空间内的信息素浓度。 蚂蚁系统解决TSP问题 蚂蚁系统（Ant System） 作为第一个ACO算法，是以NP-hard的TSP问题作为应用实例而提出的。虽然它的算法性能不及其他各种扩展算法，但是最基本的ACO算法，易于学习和掌握。 旅行商问题 一位商人从自家出发，希望能找到一条最短路径，途径给定集合的所有城市最后返回家乡，并且每个城市都被访问且仅访问一次。形式上，TSP问题可以用一个带权完全图G=（N,A）来描述，目标就是寻找一条具有最小成本值的哈密尔顿回路。 TSP问题数学描述 设 是n个城市的集合， 是集合C中元素两两连接的集合， 是 的距离，对任意i，j有 称为对称旅行商问题，若存在某组i，j之间的 则称为非对称旅行商问题。 目标函数表示为 对于n个城市规模的TSP，存在 条不同的闭合路径，当n较大时很难精确求解每个解再寻找最优。 蚂蚁系统数学模型（一） 设n表示TSP规模， i和j是集合C中的两个元素， m为蚁群蚂蚁总数， 表示t时刻位于i的蚂蚁数目，则 设 为t时刻路径(i,j)上的信息素量， 是t时刻集合C中所有信息素的集合。初始时刻，各条路径上的信息量是相同的。 蚂蚁系统数学模型（二） 蚂蚁 在运动过程中有三个因素决定其转移方向信息素量 ，启发式信息 和禁忌表 为启发函数，其表达式一般表示为 ； 禁忌表 用于记录蚂蚁k当前走过的城市， 表示蚂蚁k下步允许选择的城市。 蚂蚁系统数学模型（三） 表示蚂蚁k在t时刻由i转到j的概率 上式中，α为信息素因子， β为启发式因子，用于控制信息素浓度和启发式信息作用的权重关系。值越大表示重要性越大，当α=0，算法演变为传统的随机贪心算法，当β=0，蚂蚁仅依据信息素决策，算法将快速收敛，可能获得局部最优。 蚂蚁系统数学模型（四） 信息素更新公式 1. 原有信息素的挥发 通常的做法是设置信息持久率 让所有 乘以 。在算法中用于避免信息素的无限增长淹没启发式信息，也有助于丢弃那些构建过的较差的路