蚂蚁算法2015.pptVIP

种群 # 位串 适应值 排序 1011011011 38.3 3 1100011100 43.7 2 0111010101 54.5 1 0110010010 34.6 4 交叉位 1100011100 0111010101 变异位 1100010101 0111011100 新后代 1100010101 0111001100 选择 交叉 变异 新后代 遗传算法的特点 遗传算法具有进化计算的所有特征，其优点是： （1）具有大范围全局搜索的能力，与问题领域无关； （2）搜索从群体出发，具有潜在的并行性； （3）可进行多值比较，鲁棒性强； （4）搜索使用评价函数启发，过程简单； （5）使用概率机制进行迭代，具有随机性； （6）具有可扩展性，容易与其它算法结合。 但遗传算法在编码表示、适应度函数、选择策略、控制参数等方面还存在诸多问题。特别是，对于系统中的反馈信息利用不够，当求解到一定范围时往往作大量无为的冗余迭代，求精确解效率低。 遗传算法与蚂蚁算法的融合思想 遗传算法与蚂蚁算法的融合（Genetic Algorithm—Ant Algorithm 简称GAAA）,其基本思想是汲取两种算法的优点，克服各自的缺陷，优势互补。在时间效率上优于蚂蚁算法，在求精解效率上优于遗传算法，是时间效率和求解效率都比较好的一种新的启发式方法。其基本思路是算法前过程采用遗传算法，充分利用遗传算法的快速性、随机性、全局收敛性，其结果是产生有关问题的初始信息素分布。算法后过程采用蚂蚁算法，在有一定初始信息素分布的情况下，充分利用蚂蚁算法并行性、正反馈性、求精解效率高等特点。 GAAA算法总体框架与流程 图3-2 GAAA算法总体框架 定义目标函数 生成若干组优化解 定义适应值函数 转化为初始信息素分布 问题 遗传 算法 蚂蚁 算法 最好解 图3-3 GAAA算法详细流图 GAAA中遗传算法的模型选择定义 GAAA中的遗传算法是基于优胜选择遗传算法的原理与定义。 编码与适应值函数：如TSP问题，以城市的遍历次序作为遗传算法的编码，适应度函数取为哈密顿圈的长度的倒数。 种群生成与染色体选择：利用随机函数生成一定数量的十进制实数编码种群，根据适应值函数选择准备进行交配的一对染色体父串。 交叉算子：采用Davis提出的顺序交叉方法。 变异算子：采用逆转变异方法。 ? 交叉算子：采用Davis提出的顺序交叉方法，先进行常规的双点交叉，在进行维持原有相对访问顺序的巡回路线修改。具体交叉如下： （1）随机在父串上选择一个交配区域，如两父串选定为： old1= 1 2 | 3 4 5 6 | 7 8 9, old2= 9 8 | 7 6 5 4 | 3 2 1 （2）将old2的交配区域加到old1前面，将old1的交配区域加到old2的前面： old1’= 7 6 5 4 | 1 2 3 4 5 6 7 8 9, old2’= 3 4 5 6 | 9 8 7 6 5 4 3 2 1 （3）依次删除old1’，old2’中与交配区相同的数码，得到最终的两子串： new1= 7 6 5 4 1 2 3 8 9, new2= 3 4 5 6 9 8 7 2 1 ? 变异算子：采用逆转变异方法，所谓“逆转”，如染色体 (1—2—3—4—5—6) 在区间2—3和区间5—6处发生断裂，断裂片段又以反向顺序插入，于是逆转后的染色体变为(1—2—5—4—3—6)。这里的“进化”，是指逆转算子的单方向性，只有经逆转后，适应值有提高的才接受下来，否则逆转无效。 GAAA中蚂蚁算法模型选择 GAAA中蚂蚁算法选择基于蚂蚁圈模型（Ant-Cycle）和MMAS(MAX-MIN Ant System)算法，在吸取其各自优点的基础上并进行改进，具体来说： 信息素更新方程： 选择概率： 每一蚂蚁圈信息素增加： 各路径设置信息素初值。 GAAA中遗传算法与蚂蚁算法对接 两种算法对接的关键是如何把遗传算法的结果转化为蚂蚁算法的信息素。 信息素的初值设置：MMAS是把各路径信息素初值设为最大值τmax，这里我们通过遗传算法得到了一定的路径信息素，所以把信息素的初值设置为: