蚁群算法文献综述.docVIP

 成绩： 西安建筑科技大学 毕业设计 (论文)文献综述 院 （系）： 信息与控制工程学院 专业班级： 自动化1003班 毕 业 设 计论 文 方 向 ： 智能算法 综述题目： 蚁群算法基本原理和应用 学生姓名： 张航宇 学 号： 100610324 指导教师： 张娜 2014 年 3 月 23 日 蚁群算法及其在组合优化问题中的应用研究 摘要：本次文献综述主要收集了与蚁群算法相关的基本资料，了解了蚁群算法的提出和发展，掌握了蚁群算法的基本原理，了解了其所应用的领域，并针对本次要研究的静态组合优化问题搜集了一些文献，进行了初步学习。 关键词：蚁群算法；组合优化；TSP 1. 前言 蚁群算法（Ant?Colony?Optimization,?ACO），它由Marco Dorigo于1992年在他的博士论文“Ant system: optimization by a colony of cooperating agents”中提出，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。 ???人工蚁群有一个记忆其本身过去行为的内在状态 ?人工蚁群存在于一个与时间无关联的环境之中 ?人工蚁群存在于一个离散的空间中，它们的移动是从一个状态到另一个状态的转换 ?人工蚁群不是完全盲从的，它还受到问题空间特征的启发 2.3 双桥实验原理 如图1所示，设ＤＨ＝ＨＢ＝１，ＤＣ＝ＣＢ＝0.我们假定在每个离散的等时间间隔：ｔ＝０，１，２，……有３０蚂蚁从Ａ到达Ｂ，同时有３０个蚂蚁从Ｅ到Ｄ，每只蚂蚁的速度为１／Ｓ，并且，每有一只蚂蚁经过时，在时间ｔ留下信息素密度为１。 蚂蚁在选择路径时，那些有更多蚂蚁曾经选择过的路径（也就是具有更高信息素密度的路径），被再次选中的可能性最大。 当ｔ＝０时，没有信息素，有３０只蚂蚁分别在Ｂ和Ｄ。蚂蚁走哪条道路是完全随机的。因此，在每个点上蚂蚁将有１５只经过Ｈ，另外１５只经过Ｃ。 当ｔ＝１时有３０只蚂蚁从Ａ到Ｂ，它们发现指向Ｈ道路上的信息素密度是１５，是由从Ｂ出发的蚂蚁留下的；指向Ｃ道路上的信息素密度是３０，其中１５是由Ｂ出发蚂蚁留下，另外１５是从Ｄ出发经过Ｃ已经到达Ｂ的蚂蚁留下。因此，选择经过Ｃ到Ｄ的可能性就更大，从Ｅ出发到Ｄ的３０只蚂蚁也面临着同样的选择，由此产生一个正反馈过程，选择经过Ｃ的蚂蚁越来越多，直到所有的蚂蚁都选择这条较近的道路。图1是著名的双桥实验的简化描述。 3．蚁群算法理论 在理论建设方面，ACO取得的成果比较少，也是最薄弱的一方面。1999年Gutjahr W J在撰写的技术报告和2000年发表的论文中首次对蚁群算法的收敛性进行了证明，将蚁群算法的行为简化为在一幅代表所求问题的有向图上的随机行走过程，进而从有向图论的角度对一种改进蚁群算法——图搜索蚂蚁系统（Graph-Based Ant System，GBAS）的收敛性进行了理论分析。采用的数学工具是Markov链，证明了在一些合理的假设条件下他所提出的GBAS能以一定概率收敛到所求问题的最优解。蚁群算法是一种近似算法，它不是用来解决已存在精确有效算法的问题的，而是用来解决至今没有找到精确的有效算法的问题的，例如旅行商问题（TSP）。旅行商问题也可以说是求“最短路径”，这个问题至今未找到多项式时间算法，属于NPC问题，也就是说，当问题规模稍大一点，现有的精确算法的运算量就会急剧增加。在上图中，可以看到，当问题规模为10时，复杂度为O(3.4n^3) 的算法运行时间要0.0034s，复杂度为O(2^n) 的算法运行时间要0.001s，此时相差还不大，但当问题规模增加到100时，前者的运行时间只是增加到了3.4s，而后者的运行时间则增加到了4×10^16年！因为实际问题的规模都比较大，100还是小数字，所以对一个问题，都努力寻求多项式算法。但也有问题目前还没有找到多项式时间的精确算法，比如旅行商问题，因此就产生了各种近似算法，以解的质量来换取效率，寻求满意解而不是最优解。*图片来源：Sara Baase, Allen Van Gelder，Computer Algorithms: Introduc