马隆杰--蚁群算法.pptVIP

Iteration 5 A E D C B 1 [A,D,C,E,B] 3 [C,B,E,D,A] 4 [D,E,A,B,C] 2 [B,C,D,A,E] 5 [E,A,B,C,D] 1 [A,D,C,E,B] 5 [E,A,B,C,D] L1 =AD+DC+CE+EB L2 =BC+CD+DA+AE L3 =CB+BE+ED+DA L4 =DE+EA+AB+BC L5 =EA+AB+BC+CD 2 [B,C,D,A,E] 3 [C,B,E,D,A] 4 [D,E,A,B,C] Path and Pheromone Evaluation 蚁群算法改进 α为信息启发式因子，表示轨迹的相对重要性，反映了蚂蚁在运动过程中积累的信息在蚂蚁运动时所起的作用，其值越大，则该蚂蚁越倾向于选择其它蚂蚁经过的路径，蚂蚁之间的协作性越强； β为期望启发式因子，表示能见度的相对重要性，反映蚂蚁在运动过程中启发信息在蚂蚁选择路径中的受重视程度，其值越大，则该状态状态转移概率越接近于贪心规则，也就是说，越倾向于往能见程度高的路径上行走。 这种更新策略模仿了人类大脑记忆的特点，在新信息不断存人大脑的同时，存储在大脑中的旧信息随着时间的推移逐渐淡化，甚至忘记。 蚁群算法 马隆杰 一、蚁群算法思想 二、基本蚁群算法 三、蚁群算法例子 四、蚁群算法的改进 什么是蚁群算法？ 蚁群算法(ant colony optimization, ACO)，又被称为蚂蚁算法，是一种用来在图中寻找优化路径的机率型算法。 蚁群算法的基本原理 1、蚂蚁在路径上释放信息素。 2、碰到还没走过的路口，就随机挑选一条路走。同时，释放与路径长度有关的信息素。 3、信息素浓度与路径长度成反比。后来的蚂蚁再次碰到该路口时，就选择信息素浓度较高路径。 4、最优路径上的信息素浓度越来越大。 5、最终蚁群找到最优寻食路径。 人工蚁群与真实蚁群 人工蚁群中把具有简单功能的工作单元看作蚂蚁。 相同点 不同点 1.都存在个体相互交流的通信机制。 2.都要完成寻找最短路径的任务。3.都采用根据当前信息进行路径选择的随机选择策略。 1.人工蚂蚁具有记忆能力。 2.人工蚂蚁选择路径时不是完全盲目的。 3.人工蚂蚁生活在离散时间的环境中。 蚁群算法的基本思想 搜索环境 第一次搜索t=0搜索情况 t=1 时刻搜索情况 人工蚁群例子 TSP求解中，假设蚁群算法中的每只蚂蚁是具有以下特征的简单智能体： ?每次周游，每只蚂蚁在其经过的支路（i,j）上都留下信息素。 ?蚂蚁选择城市的概率与城市之间的距离和当前连接支路上所包含的信息素余量有关。 ?为了强制蚂蚁进行合法的周游，直到一次周游完成后，才允许蚂蚁游走已访问过的城市（这可由禁忌表来控制）。 基于TSP问题的基本蚁群算法 基于TSP问题的基本蚁群算法 两个过程： 1、状态转移 2、信息素更新 基于TSP问题的基本蚁群算法 ⑴ 蚂蚁k(k=1,2，…,m)根据各个城市间连接路径上的信息素浓度和路径启发信息决定其下一个访问城市，这里用禁忌表tabuk来记录蚂蚁k当前所走过的城市，在 t 时刻蚂蚁 k 由城市 i 转移到城市 j 的状态转移概率为： 基于TSP问题的基本蚁群算法 α-表示信息启发因子，反映了蚁群在运动过程中所残留的信息的相对重要程度。 β-表示期望启发因子，反映期望值的相对重要程度。 -表示由城市i转移到城市j的期望程度，被称为先验知识。在TSP问题中一般取值为 为了避免残留信息素过多而淹没启发信息，在每只蚂蚁走完一步或者完成对所有n个城市的遍历(也即一个循环结束)后，要对残留信息进行更新处理。由此，t+n时刻在路径(i, j)上的信息量可按如下规则进行调整： 基于TSP问题的基本蚁群算法 三种不同基本蚁群算法模型 蚁周模型（Ant-Cycle模型） 蚁量模型（Ant-Quantity模型） 蚁密模型（Ant-Density模型） 区别： 1.蚁周模型利用的是全局信息，即蚂蚁完成一个循环后更新所有路径上的信息素； 2.蚁量和蚁密模型利用的是局部信息，即蚂蚁每完成一步后更新路径上的信息素。 Dorigo M提出了三种不同的基本蚁群算法模型，分别称之为Ant-Cycle模型、Ant-Quantity模型及Ant-Density模型，其差别在于信息素更新策略不同，即Δτijk(t)求法的不同。 蚁周模型 蚁周模型中Δτijk(t)的计算公式为： → Q为信息素强度，表示蚂蚁循环一周或一个过程在经过的路径上所释放的信息素总量，它在一定程度上影响算法的收敛速度； → Lk表示第k只蚂蚁在本次循环中所走路径的总长度。 蚁量模型和蚁密模型 蚁量模型中Δτijk(t)的计算