蚁群算法的研究与进展..docVIP

蚁群算法的研究与进展 摘 要：蚁群算法（ant colony algorithm (ACA)）是一种应用于优化问题的启发式算法，它是受自然界蚂蚁的觅食行为启发而产生的。本文首先介绍了蚁群算法的基本原理和工作机制,然后分别就蚁群算法的理论和应用的研究现状进行了综述，最后是关于蚁群算法的研究展望和面临的挑战，提出了蚁群算法研究中值得探讨的一些课题。 关键字：蚁群算法 优化问题 1 引言 90年代初期，Dorigo和他的同事在论文中提出了解决组合优化问题的一种基于自然的启发式算法——蚁群算法[1， 2， ， ]。该算法的灵感是真实的蚁群系统。更确切的说，蚁群算法是基于蚂蚁的觅食行为得来的。这种行为的核心是，蚂蚁通过一种叫做费洛蒙的信息素进行间接的交流，这种信息素能使蚂蚁找到蚁巢和食物源之间的最短路径。现实世界的蚁群的这种行为被开发成蚁群算法，其目的是为了解决优化问题。最早的蚁群算法是蚂蚁系统(Ant System)，研究者们根据不同的改进策略对蚂蚁系统进行改进并开发了不同版本的蚁群算法，并成功地应用于优化领域。 蚁群算法以其分布式并发性、正反馈、鲁棒性强、收敛速度快、易获得全局最优解等特点引起了越来越多国内外学者的关注，成为目前国内外启发式算法研究的热点和前沿问题。蚁群算法特别适合于在离散优化问题的解空间进行多点非确定性搜索，已经先后被应用到TSP 问题、二次分配问题、工件调度问题、图着色问题等多个经典组合优化问题，取得了很好的效果，成为求解组合优化（combinatorial optimization）等NP-hard 问题的一种有潜力的演化算法。 2 蚁群算法的基本原理 2.1 蚁群的觅食机理 蚁群算法的灵感源泉是真实世界里蚂蚁的觅食行为。蚂蚁是一种社会昆虫，它们群居在一起，它们的行为受群体目标指引，而不是仅仅考虑个体的生存。在寻找食物的过程中，蚂蚁最初以一种随机的方式来寻找位于蚁巢周围的食物。一旦某只蚂蚁找到了一个食物源，它将估计出食物的数量和质量，并且携带一些回到蚁巢。在这个返回的途中，蚂蚁将沿路释放一些信息素。信息素的数量，取决于食物的数量和质量，信息素将会指引其它的蚂蚁去寻找食物源。文献[5]已经说明了这种通过信息素的间接交流方式，这种方式是作为一种间接通信来使蚂蚁找到蚁巢和食物源之间的最短路径。 2.2 蚁群算法的基本原理 以求解n个城市的TSP 旅行商问题为例说明ACA 模型。TSP[6]模型描述的是一个旅行商要通过多个城市的这么一个问题。这个问题的目标是在每个城市通过一次的情况下，旅行商行走的路径要最短。 设蚁群中蚂蚁的数量为m，dij（ i，j = 1，2，?，n）表示城市i 和城市j之间的距离，bi（t）表示t 时刻位于城市i 的蚂蚁的个数，则有。表示t 时刻在城市i，j（C 为常数）。蚂蚁k（k= 1，2，?，m）在运动过程中，根据各条路径上的信息量决定转移方向。 表示在t 时刻蚂蚁I 由城市i 转移到城市 的概率： 式中： 先验知识或称为能见度，在TSP 问题中为城市i 转移到城市j 的启发信息； 在路径ij 上残留信息的重要程度； 启发信息的重要程度； 记录蚂蚁I 当前所走过的城市，称为记忆列表， k= 1，2，?，m，集合随着进化过程作动态调整经过个时刻，所有蚂蚁都完成了一次遍历此时，计算每一只蚂蚁所走过的路径，并保存最短路径在蚂蚁完成一次循环以后，各路径上的信息量进行如下调整 式中，表示信息素随时间的推移而衰减的程度信息素增量 可表示为 式中为蚂蚁I 在本次循环中在城市i 和j 之间留下的信息量，它的计算公式根据具体问题而定。Dorigo 曾给出3 种不同的模型，分别称为Ant-cycle System，Ant-Quantity System 和Ant-Density System［1］Ant-cycle 同Ant-Quantity，Ant-Density 的区别就在于信息素的更新机制，在后两个模型中每只蚂蚁每前进一步都会释放信息素并更新经过路径上的信息素浓度，而前者则只在结束整个循环后才更新Dorigo 对上述3 种模型进行多次比较，以Ant-cycle System 的求解效果最好Interacting Ant Colony)求解多目标连续函数优化问题。改进蚁群算法求解连续优化问题的研究相对较少，这是一个很有潜力的研究方向。 3.3 ACA收敛性的证明 Stutzle T等[17]已经证明了一类称之为蚁群τmin的蚁群算法收敛性；Gutjahr W J[18]证明了一种称为Graph-Based Ant System(GBAS)的蚁群能以任意接近1的概率收敛到给定问题的最优解。然而目前蚁群τmin对的收敛性证明并没有给出收敛速度的估计，而GBAS的执行比蚁群有更多的限制，还没有在实际