中山大学ABC算法ppt模版.pptxVIP

人工蜂群算法解决TSP问题信息学院 郭浩一、TSP问题 实例TSP问题很多实际问题都属于TSP问题的范畴 1、旅游景区规划问题，描述的是游客应如何规划旅游线路，使得所经过的路径总和最小；2、物流配送问题，对车辆的配送网络进行优化，缩短配送时间，从而提高顾客满意度；3、公交线路规划问题只在规划路径网络，寻找最优的公交路线设置，从而满足群体的需求。…….TSP问题旅行商问题(TSP，traveling salesman problem)是一个为学术界广泛研究的问题，长期以来它吸引了众多学者对其进行研究。深入地研究TSP问题能够为解决实际的管理问题提供一定的理论基础。思考：谁最擅长解TSP问题？群体智能算法群体智能算法(Swarm Intelligence Algorithm，SIA)是模拟自然界生物的群体行为而构造的随机优化算法，是在群体智能领域中随着计算智能研究的逐步深入而产生的一种新兴的计算智能模式，它是群体智能研究中的一个重要分支。群体智能算法是从某种由大量个体表现出来的群体行为出发，从它们的群体行为中提取模型，为这些行为建立一些规则，从而提出优化算法。在群体智能算法中，每一个个体都是具有经验和智慧的智能体(Agent)，个体之间存在互相作用机制，通过相互作用形成强大的群体智慧，并用于解决那些因为难以建立有效的形式化模型而用传统优化方法又难以解决甚至无法解决的问题。群体智能算法自上世纪90年代基于蚂蚁觅食行为的蚁群算法(Ant Colony Optimization，ACO)提出以来，相继产生了以飞翔的鸟类为模型的粒子群算法（Particle Swarm Optimization，PSO）、基于鱼类觅食行为的人工鱼群算法（Artificial Fish swarm Algorithm，AFA）、基于青蛙觅食行为的蛙跳算法(Shuffled Frog Leaping Algorithm，SFLA)以及模拟蜜蜂行为的人工蜂群算法（Artificial Bee Colony，ABC）等。二、人工蜂群算法的原理算法原理蜂群的智能模型中有三个基本组成元素：食物源（food sources）、雇佣蜂（employed foragers，EF）、非雇佣蜂(unemployed foragers，UF)；两种最为基本的行为模式：为食物源招募（recruit）蜜蜂和放弃（abandon）某个食物源算法原理食物源：食物源的价值由多个因素控制，如：它距离蜂巢的远近；食物源花蜜的丰富程度；获得食物的困难程度等。算法中使用“食物源的收益率”(profitability)，来综合代表以上各因素。雇佣蜂：也称作引领蜂,模型中引领蜂的数量通常是与食物源对应的。引领蜂具有记忆功能，将自己搜索到的食物源的相关信息(距离蜂巢的远近、方向、花蜜的丰富程度等)存储起来，并以一定的概率分享给其他的蜜蜂。非雇佣蜂：有两种非雇佣蜂。侦察蜂（scout bees）：在算法的开始和过程中，始终伴随着侦察蜂对食物源的“探索行为。侦察蜂通常在蜂巢周围搜索附近的食物源；根据观察，蜂群中的侦察蜂数量大约占整个蜂群数量的5％一20％。跟随蜂(onlooker bees)：蜂巢附近等待引领蜂共享食物源信息的蜜蜂，他们观察引领蜂的舞蹈，选择自己认为满意的蜜蜂进行跟随。算法原理算法原理假设有两个已经发现的蜜源A、B，刚开始时非雇佣蜂没有关于蜜源的任何信息，有两种选择：(1) 作为侦察蜂，自发寻找蜂巢附近的蜜源（‘S’线）。(2) 在观察到其他蜜蜂的摇摆舞后,它可以被招募并开始按照获得的信息寻找蜜源。非雇佣蜂发现新的蜜源后，蜜蜂依靠自身的能力记住蜜源的位置，并迅速开始采蜜，因此，非雇佣蜂变成了雇佣蜂，蜜蜂采完蜜回到蜂箱后，它有以下几种选择:（1）放弃蜜源(收益度不高)，成为待工的跟随蜂(UF)。（2）在返回同一蜜源前，跳摇摆舞招募蜂巢其它伙伴(EF1)。（3）不招募其它蜜蜂，继续采蜜(EF2)。算法原理初始时刻,所有蜜蜂没有任何先验知识，其角色都是侦察蜂。随机搜索到食物源后，侦察蜂返回蜂巢的舞蹈区，根据食物源收益度的相对大小。侦察蜂可以转变为上述任何一种蜜蜂。转变的原则如下：当所采集食物源的收益度相对很低时，它可以再次成为侦察蜂搜寻附近的食物源，其转变结果是放弃上次采集的食物源；当所采集食物源的收益度排名小于临界值(如排名在后50%)时，它可以在观察完舞蹈后成为跟随蜂，并前往相应的食物源采蜜；当所采集食物源的收益度排名高于临界值时，它成为引领蜂，继续在同一食物源采蜜,并在舞蹈区招募更多的蜜蜂采集相应食物源（EF1）。算法原理人工蜂群算法在搜索收益度最优解的过程中，引领蜂有保持优良蜜源的作用；跟随蜂增加优良蜜源对应的蜜蜂数目，起到提高算法收敛速度的作用；侦察蜂随机搜索新蜜源，能帮助算法跳出局部最