第6章蚁群优化(免费阅读).pptVIP

第六章 蚁群优化 一.蚁群优化（1） 蚁群优化的产生 蚁群优化 Ant Colony Optimization 在1991年，Dorigo(Italy)提出ACO，开始称为：Ant System 基本思想 模拟蚂蚁选择路线的能力。即：蚂蚁以信息 素的强度为概率来决定路线选择。 ACO 整体往往大于部分的“简单和” 蚂蚁的低智能——蚁群的高智慧 蚂蚁的简单行为——蚁群的智能突现 实际蚁群的觅食 1、主体（agent)：蚂蚁 2、简单的规则（rules）：分工、通讯 3、相互作用（interaction）： 蚂蚁==触角放电==蚂蚁 蚂蚁==气味积累==环境 ACO 观察实际蚁群的觅食1： ACO 观察实际蚁群的觅食2： 用障碍物切断原来的通路 ACO 观察实际蚁群的觅食3： 搜索新路 ACO 观察实际蚁群的觅食4：最佳路径形成 一.蚁群优化（1） 上述行为的生物学解释 仿生学家发现，蚂蚁在运动过程能够在它经过的路径上留下称为外激素（pheromone）的物质，而且蚂蚁在运动过程中能够感知这种物质，并以此来指导自己的运动方向。因此，由大量蚂蚁组成的群体行为便表现出一种信息正反馈现象：某一条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，蚂蚁就通过这种信息的交流达到搜索事物的目的。 一.蚁群优化（1） 一.蚁群优化（2） ACO的基本计算公式 ACO最早用来解决TSP问题 一.蚁群优化（3） 一.蚁群优化（4） 举例说明 一.蚁群优化（5） 信息素强度的计算 一.蚁群优化（6） ACO的基本算法步骤 初始化 令S=1,(S是tabu表的指标，即走过的城市数) 将所有的初始城市记入 一.蚁群优化（7） 重复以下步骤，直到tabu表填满（所有城市 走过）。令S=S+1,对k=1到m个蚂蚁，以 选择城市j移动，将j加入 。 对 （计算信息素，理解为每个蚂蚁在路径(i,j)上留下的总气味） 一.蚁群优化（8） 对 若NC大于 停止，否则转②，并清空tabu表 * * 蚂蚁标号 迭代次数 信息素的影响 1 5 3 4 2 蚂蚁k的巡回长度 常量 所有蚂蚁留下的信息 信息素增量 遗忘因子