蟻群算法研究报告.docVIP

蚁群算法研究报告 题 目 信息工程学院 专 业 计算机科学与技术 姓 名 程亮 学 号 201115068 指导教师 谭同德 2014-6-4 目 录 第一章 蚁群算法概述 2 1.1蚁群算法概念 2 1.2蚁群算法原理 2 1.3蚁群算法的特点 3 1.3.1 人工蚁群的特点 3 1.3.2 蚁群的特点 3 1.4蚁群算法的应用 4 1.5算法模型 4 第二章 蚁群算法解决TSP问题 5 2.1 TSP问题描述 5 2.2 基于 TSP 问题的蚁群算法模型 5 2.3蚂蚁系统解决TSP问题实现步骤 6 2.4蚂蚁系统解决TSP问题流程图 6 2.5关键代码 7 参考文献 9 第一章 蚁群算法概述 1.1蚁群算法概念 蚁群算法（Ant Clony Optimization， ACO）是一种群智能算法，它是由一群无智能或有轻微智能的个体（Agent）通过相互协作而表现出智能行为，从而为求解复杂问题提供了一个新的可能性。蚁群算法是一种仿生学算法，是由自然界中蚂蚁觅食的行为而启发的。在自然界中，蚂蚁觅食过程中，蚁群总能够按照寻找到一条从蚁巢和食物源的最优路径。图（1）显示了这样一个觅食的过程。 ?在图1（a）中，有一群蚂蚁，假如A是蚁巢，E是食物源（反之亦然）。这群蚂蚁将沿着蚁巢和食物源之间的直线路径行驶。假如在A和E之间突然出现了一个障碍物（图1（b）），那么，在B点（或D点）的蚂蚁将要做出决策，到底是向左行驶还是向右行驶？由于一开始路上没有前面蚂蚁留下的信息素（pheromone），蚂蚁朝着两个方向行进的概率是相等的。但是当有蚂蚁走过时，它将会在它行进的路上释放出信息素，并且这种信息素会议一定的速率散发掉。信息素是蚂蚁之间交流的工具之一。它后面的蚂蚁通过路上信息素的浓度，做出决策，往左还是往右。很明显，沿着短边的的路径上信息素将会越来越浓（图1（c）），从而吸引了越来越多的蚂蚁沿着这条路径行驶。. 蚁群算法中所使用的蚂蚁是现实蚂蚁行为特征的一种抽象，称为人工蚂蚁。人工蚂蚁的通讯方式、相互协作机制与现实蚂蚁一样，但是如果完全依照现实蚂蚁行为机制来设计蚁群算法，实验表明算法需要很多的时间才会收敛，而且可能会收敛于一些局部优解。故人工蚂蚁又有不同于现实蚂蚁的地方，以tsP问题为例： (1)人工蚂蚁有一定的记忆能力，它可以记住已经走过的路径，以保证不会重复走相同的城市。现实的蚂蚁没有记忆。 (2)人工蚂蚁不仅仅依据信息素来确定要走的路径，还引入了与问题相关的启发信息，比如相邻边的长度。这个构造的启发信息有利于下一步的搜索。 (3)人工蚂蚁处于一个离散的时间环境下，而现实中的蚂蚁是在一个连续的状态下。所以，人工蚂蚁可以根据问题的需要比较灵活的加入相应的规则，以更加有效的解决实际问题。 1.3.2蚁群的特点 蚁群中的蚂蚁具有多元性、相关性，而且相互之间的协作又体现了整体性，所以蚁群具有系统性的特点。人工蚂蚁在任务中越来越趋向于一种接近最优的结果，整体来看就是一种从无序到有序的自组织过程，这种自组织性增加了算法的鲁棒性。在解决问题的过程中，当某个解较优时，就会使更多的蚂蚁选择这个解，解越优，蚂蚁选择此解的概率越大，直到收敛到最优解，这使蚁群有了正反馈的特性。由于在选择的过程种采用了轮转赌，这样会增加一些随机的因素，增大了解的搜索范围，如此便是一种负反馈的性质。由于蚁群中每只蚂蚁都是并行运作，所以蚁群还有分布式并发的特点。 1.4蚁群算法的应用 由前面的论述可知，蚁群算法是一种启发式算法，它来源于对蚂蚁群体搜索行为的研究。它还充分模拟了实际蚁群寻求最短路径的协作优化特性。由于蚂蚁寻求最短路径的行为类似于旅行商）问题的解决过程，因而蚁群算法能在问题实例中得到最优的结果。另外，蚁群算法还被用于作业车间调度问题、二次分配问题、多维背包问题、数据的特征聚类过程，并取得了很好的寻优结果。 蚁群算法在解决组合优化类问题求解方面表现出了突出的适用特征。人工蚁群中的多个智能体通过正反馈确保了最优化过程的快速性，而早熟收敛则可以由蚁群算法的分布式计算特性来加以避免。同时，由于它的贪婪式启发搜索特性，在搜索过程的早期就可以找到可以接受的解。这样，在一种问题求解模式中，同时结合了问题求解的快速性、全局最优特征以及在优化过程初期解的合理性等特性，从而引起了相关领域研究者的注意。 通过相关领域研究者的关注和努力，蚁群算法在最初模式的基础上得到了许多改进和扩展，并在大量领域获得了应用，比如机器人系统、图像处理、制造系统、车辆路径系统、通信系统、工程设计领域及电力系统