第5章蚁群优化算法.pptVIP

蚁群优化（Ant Colony Optimization，ACO）由意大利学者Marco Dorigo（及其导师Alberto Colorni）于1991年在其博士论文中提出，并设计了第一个ACO算法——蚂蚁系统（Ant System），是在真实蚂蚁觅食行为的启发下提出的一种高度创新性的元启发式算法。 生物学家通过对蚂蚁群体社会形态的了解，对蚂蚁群体行为（如觅食行为、劳动分配、孵化分类、协作运输、构造墓地等）的研究，发现单体智能并不高的蚂蚁在没有集中指挥下表现出高度智能化的协作能力，也就是所谓的自组织能力。蚂蚁群体，或者说具有更普遍意义的群居昆虫群体，都可以看作是一个分布式系统，之所以能够完成复杂的智能行为是因为个体之间通过媒介质来相互协调。媒介质定义为一种以环境的变化为媒介的间接通信形式，生物学家认为只要存在一种通过媒介质进行的间接传递信息途径就足以解释昆虫是如何实现自组织行为的。在双桥实验中,用一个双桥连接一种阿根廷蚂蚁的蚁穴和食物源，测试了分支长短不同比例的情况，发现蚂蚁最后主要集中在了短分支上面，这是由于信息素（化学物质形式的媒介质）在短分支上不断积累强化的结果，属于一种正反馈的过程；而有很小比例的蚂蚁会选择较长的分支，这种情况可以解释为一种路径探索行为；在已经稳定的实验基础上，如果再加入更短的路径，蚂蚁不会选择这条新加入的路径，这又说明信息素的有效期长短与路径的存在时间相当。Deneubourg和他的同事提出了简单的随机模型，随后的研究者使用了蒙特卡罗（Monte Carlo）方法进行模拟，基本符合实际中蚂蚁的情况。 在研究蚂蚁觅食的双桥实验中，用一个双桥连接蚁穴和食物源，测试双桥分支长短不同比例情况下蚂蚁最终选择路径的结果为：1）分支长度相等时大多数蚂蚁只会集中在其中一条分支上；2）分支长度不等时大多数蚂蚁都会选择集中在较短的分支上；3）少量蚂蚁有选择较长分支的探索行为；4）已稳定集中在一条分支上的蚂蚁群体，即使再添加一条更短的分支，蚂蚁群体也很难选择此分支。由此揭示了蚂蚁觅食行为中的路径寻优是受“信息素”的正反馈作用影响。如果将蚂蚁的觅食行为转化为一种优化算法，首先应把优化问题描述成可以被人工蚂蚁用来构建解的表达方式，其次是塑造人工蚂蚁并赋予其一定的属性和行走规则。 各个蚂蚁在没有事先告诉他们食物在什么地方的前提下开始寻找食物。当一只找到食物以后，它会向环境释放一种信息素，吸引其他的蚂蚁过来，这样越来越多的蚂蚁会找到食物！有些蚂蚁并没有象其它蚂蚁一样总重复同样的路，他们会另辟蹊径，如果另开辟的道路比原来的其他道路更短，那么，渐渐地，更多的蚂蚁被吸引到这条较短的路上来。最后，经过一段时间运行，可能会出现一条最短的路径被大多数蚂蚁重复着 算法历史发展 首次在1991年提出是以NP难的旅行商问题作为应用而提出的。能找到最优解，但是算法的执行效率在当时并不优于其他传统方法。 直到1996年，Dorigo在重要期刊IEEE transaction on system, man, and cybernetics. 文中将蚁群算法应用于旅行商问题、指派问题、车间作业调度问题，并与爬山算法、模拟退火、禁忌搜索、遗传算法进行了比较，显示出寻优能力是最优的。引起学术界的重视。 改进：精华蚁群系统、最大最小蚂蚁系统、基于排列的蚂蚁系统。并推广应用到连续空间问题的优化求解。 5.3.3 最大最小蚂蚁系统 最大最小蚂蚁系统（MAX-MIN Ant System，MMAS）在基本AS算法的基础上进行了四项改进： (1)只允许迭代最优蚂蚁（在本次迭代构建出最短路径的蚂蚁），或者至今最优蚂蚁释放信息素。（迭代最优更新规则和至今最优更新规则在MMAS中会被交替使用。） 如果只使用至今最优更新规则进行信息素的更新，搜索的导向性很强，算法会很快收敛到Tb附近；反之，如果只使用迭代最优更新规则，则算法的探索能力会得到增强，但收敛速度会下降。实验结果表明，对于小规模的TSP问题，仅仅使用迭代最优信息素更新方式即可。随着问题规模的增大，至今最优信息素规则的使用变得越来越重要。 5.3.3 最大最小蚂蚁系统 最大最小蚂蚁系统（MAX-MIN Ant System，MMAS）在基本AS算法的基础上进行了四项改进： (2)信息素量大小的取值范围被限制在一个区间[tmin,tmax]内。 (3)信息素初始值为信息素取值区间的上限，并伴随一个较小的信息素蒸发速率。 当信息素浓度也被限制在一个范围内以后，位于城市i的蚂蚁k选择城市j作为下一城市的概率也将被限制在一个区间内。算法有效避免了陷入停滞状态（所有蚂蚁不断重复搜索同一条路径）的可能性。 增强算法在初始阶段的探索能力，有助于蚂蚁“视野开阔地”进行全局范围内的搜索。 随后蚂蚁逐渐缩小搜索范围。