蚁群算法详细讲解学案.ppt

* 1.4.2 每一节点的记忆信息和系数的确定----需要记忆的信息 1/3 算法中需要记忆的信息有三部分。 第一部分信息是存在每个节点的路由表数据结构 ，由此决定的的转移概率为 其中T可以看成节点i的邻域。 * 1.4.2 每一节点的记忆信息和系数的确定----需要记忆的信息 2/3 第二部分需要记忆的信息是每个蚂蚁的记忆表中存储着的自身的历史信息，这一部分主要由算法的中的 记忆，表示蚂蚁已经行走过的节点。 第三部分为问题的约束条件。在GBAS中，T集合表示满足约束条件的候选集，在背包问题的蚁群算法中由判别条件 ， 来实现记 忆功能。 * 1.4.2 每一节点的记忆信息和系数的确定----系数的确定 3/3 残留信息的相对重要程度 和预见值的相对重要程度 体现了相关信息痕迹和预见度对蚂蚁决策的相对影响。Dorigo在求解TSP问题时，推荐参数的最佳设置为： 。 * 1.4.3 蚁群的规模和停止规则 一、蚁群大小 一般情况下蚁群中蚂蚁的个数不超过TSP图中节点的个数。 二、终止条件 1 给定一个外循环的最大数目，表明已经有足够的蚂蚁工作； 2 当前最优解连续K次相同而停止，其中K是一个给定的整数，表示算法已经收敛，不再需要继续； 3 目标值控制规则，给定优化问题（目标最小化）的一个下界和一个误差值，当算法得到的目标值同下界之差小于给定的误差值时，算法终止。 * 1.4.4 信息素的更改 1/6 信息素的更新分为离线和在线两种方式。离线方式（同步更新方式）的主要思想是在若干只蚂蚁完成n个城市的访问后，统一对残留信息进行更新处理。 信息素的在线更新（异步更新方式）即蚂蚁每行走一步，立即回溯并且更新行走路径上的信息素。 * 1.4.4 信息素的更改 2/6 离线方式的信息素更新可以进一步分为单蚂蚁离线更新和蚁群离线更新。 蚁群离线更新方式是在蚁群中的m只蚂蚁全部完成n城市的访问（第k-1次蚁群循环）后，统一对残留信息进行更新处理。 其中， 为第k-1次循环后的的信息素的痕迹值。 单蚂蚁离线更新是在第s只蚂蚁完成对所有n个城市的访问后，进行路径回溯，更新行走路径上的信息素，同时释放分配给它的资源。更新公式为 第s+1只蚂蚁根据 重新计算路由表。 * 1.4.4 信息素的更改 3/6 TSP问题中，蚁群优化算法根据信息素痕迹更新方式不同可以分为不 同的算法，采用离线方式，并且 时，其中W为t循环中m只蚂蚁所行走的最佳路线或第t只蚂蚁所行走 的一条路径。Q为一个常数，该算法名为蚁环算法（ant-cycle algotithm）,特点是行走的路径越短对应保存的信息素的值就越大。 * 1.4.4 信息素的更改 4/6 GBAS算法是典型的离线信息素更新方式。该算法中，蚁群中蚂蚁的先后出行顺序没有相关性，但是每次循环需要记忆m只蚂蚁的行走路径，以进行比较选择最优路径。相对而言，单蚂蚁离线更新方式记忆信息少，只需要记忆第s只蚂蚁的路径，并通过信息素更新后，释放该蚂蚁的所有记录信息。实际上这种方式等价于蚁群离线方式中只有一只蚂蚁。 * 1.4.4 信息素的更改 5/6 与单蚂蚁离线更新方式相比，信息量记忆更小的是信息素在线更新方式，即蚂蚁每走一步，马上回溯并且更新刚刚走过的路径上的信息素，其规则为 其中，k为蚂蚁行走的第k步。 * 1.4.4 信息素的更改 6/6 蚁量算法（ant-quantity algorithm）的信息素更新 为 ,Q为常量， 表示i到j的距离，这样信息 浓度会随城市距离的减小而加大。 蚁密算法（ ant-density algorithm ）信息素更新为 。 以上三种算法中，蚁环算法效果最好，因为他用的是全局信息，而其余两种算法用的是局部信息。蚁环离线更新方法很好地保证了残留信息不至于无限积累，非最优路径会逐渐随时间推移被忘记。 * 1.5 应用 1/5 1.5.1 光网络的智能管理 分布式动态选路及波长分配( RWA , Routing and Wavelength Assignment ) 是指在实时业务情况下光通路的路由选择和波长分配的优化问题,是实现自动交换光网络(ASON ,Automati