数学建模之智能计算..docVIP

数学建模之智能计算（2） 蚁群算法 蚁群优化算法(ant colony optimization, ACO)，又称蚂蚁算法，是一种用来在图中寻找优化路径的机率型算法.它由意大利学者Marco Dorigo于上世纪九十年大初期最早提出的一种源于大自然的新的仿生类算法，其灵感来源于上述所描述的蚂蚁在寻找食物过程中发现路径的行为.蚁群算法主要是借鉴蚂蚁群体之间的信息传递方法达到寻优的目的，最初有称之为蚁群优化方法，在计算机模拟仿真中由于采用了人工“蚂蚁”的概念，因此，也称蚂蚁系统（Ant System.AS）。 主要讨论内容 蚁群算法基本原理 蚁群算法模型的建立 蚁群算法研究进展 基于蚁群算法的TSP求解 一个实例 蚁群算法的收敛性讨论 一、基本原理 从真实蚂蚁到人工蚂蚁 蚁群算法是一种受自然界生物的行为启发而产生的“自然”算法。它是从对蚁群行为的研究中产生的。其基本原理如下图： 图1 蚁群觅食路线 上图表示蚂蚁觅食的线路，为蚁穴 , 为食源，从到有两条线路可走，是长路径，是短路径。蚂蚁走过一条路线以后，在地面上会留下信息素气味，后来蚂蚁就是根据留在地面上这种气味的强度选择移动的方向。图表示起始情况，假定蚁穴中有只蚂蚁，分别用表示，Ｂ为食源。开始时蚁穴中蚂蚁向食源移动，由于路线和上均没有蚂蚁通过，在这两条路线上都没有信息素气味，因此蚂蚁选择这两条线路的机会均等。令蚁选择线路，蚁选择线路，假定蚂蚁移动的速度相同，当蚁到达食源时，蚁还在途中，如图。蚁到达食源以后就返回，这时从返回也有两条线路选择，哪一条线路上信息素的气味重就选择哪一条。因为蚁还在途中，没有到达终点，这时在线路上靠近端处，蚁还没有留下信息素气味，所以蚁返回蚁穴的线路只有一个选择，就是由原路返回。当蚁返回时，蚁开始出发，蚁的线路选择必定是，因为这时上气味浓度比上重 (上已有蚂蚁两次通过 ) ，如图所示。当蚁到达食源时 ,蚁返回线路必然选择，如图所示。如此继续下去 ，沿线路上移动的蚂蚁越来越多，这就是巢穴到食源的最短路线，蚂蚁根据线路上留下信息素浓度的大小，确定在路线上移动的方向，蚁群向信息素浓度重的线路集聚的现象称为正反馈。蚂蚁算法正是基于正反馈原理的启发式算法。 蚁群觅食过程中的简单规则 每只蚂蚁并不是像我们想象的需要知道整个世界的信息，他们其实只关心很小范围内的眼前信息，而且根据这些局部信息利用几条简单的规则进行决策，这样，在蚁群这个集体里，复杂性的行为就会凸现出来。这就是人工生命、复杂性科学解释的规律！那么，这些简单规则是什么呢？下面详细说明： 　　1、范围： 　　蚂蚁观察到的范围是一个方格世界，蚂蚁有一个参数为速度半径（一般是3），那么它能观察到的范围就是3*3个方格世界，并且能移动的距离也在这个范围之内。 　　2、环境： 　　蚂蚁所在的环境是一个虚拟的世界，其中有障碍物，有别的蚂蚁，还有信息素，信息素有两种，一种是找到食物的蚂蚁洒下的食物信息素，一种是找到窝的蚂蚁洒下的窝的信息素。每个蚂蚁都仅仅能感知它范围内的环境信息。环境以一定的速率让信息素消失。 　　3、觅食规则： 　　在每只蚂蚁能感知的范围内寻找是否有食物，如果有就直接过去。否则看是否有信息素，并且比较在能感知的范围内哪一点的信息素最多，这样，它就朝信息素多的地方走，并且每只蚂蚁多会以小概率犯错误，从而并不是往信息素最多的点移动。蚂蚁找窝的规则和上面一样，只不过它对窝的信息素做出反应，而对食物信息素没反应。 　　4、移动规则： 　　每只蚂蚁都朝向信息素最多的方向移，并且，当周围没有信息素指引的时候，蚂蚁会按照自己原来运动的方向惯性的运动下去，并且，在运动的方向有一个随机的小的扰动。为了防止蚂蚁原地转圈，它会记住最近刚走过了哪些点，如果发现要走的下一点已经在最近走过了，它就会尽量避开。 　　5、避障规则： 　　如果蚂蚁要移动的方向有障碍物挡住，它会随机的选择另一个方向，并且有信息素指引的话，它会按照觅食的规则行为。 　　7、播撒信息素规则： 　　每只蚂蚁在刚找到食物或者窝的时候撒发的信息素最多，并随着它走远的距离，播撒的信息素越来越少。 　　根据这几条规则，蚂蚁之间并没有直接的关系，但是每只蚂蚁都和环境发生交互，而通过信息素这个纽带，实际上把各个蚂蚁之间关联起来了。比如，当一只蚂蚁找到了食物，它并没有直接告诉其它蚂蚁这儿有食物，而是向环境播撒信息素，当其它的蚂蚁经过它附近的时候，就会感觉到信息素的存在，进而根据信息素的指引找到了食物。 蚁群算法(ant colony optimization, ACO)，又称蚂蚁算法，是一种用来在图中寻找优化路径的机率型算法。它由Marco Dorigo于1992年在他的博士论文中提出，其灵感来源于上述所描述