蚁群算法的应用与改进.docVIP

蚁群算法的应用与改进 　　蚁群算法（ACA）作为一种仿生进化算法，现多应用于优化领域。它是通过对自然界蚂蚁的寻径方式进行仿真分析之后而获得一种随机搜索方法，该方法可用于处理组合优化问题。在本文，在对该算法的基本原理进行介绍之后，对数学模型的构建以及算法的进一步优化进行阐释，最后对其应用前景予以预测。 　　【关键词】蚁群算法 仿生进化 随机搜索 　　1 引言 　　在信息量不断扩大的今天，数据挖掘技术所具有的优良性能开始凸现。数据挖掘技术的改进与优化有利于帮助我们从大规模数据中筛选出有用的信息与应用模式。对于数据挖掘技术而言，探寻一种更高效的算法是改进与优化此技术的核心。 　　1991年，意大利著名研究学者M.Dorigo率先提出了一种新型仿生算法ACA，也就是本文所研究的蚁群算法。在对蚂蚁的一系列行为进行深入研究之后提出了其基本原理并构建了相应的数学模型――蚁群算法，之后将其用于获得旅行商问题（TSP）的解释。 　　2 蚁群算法的原理 　　ACA是通过深入研究蚂蚁行为而形成的一种自然算法。该算法最突出的特征是蚂蚁会通过“信息素” （pheromone）和其他蚂蚁保持间接异步联系。蚂蚁在行动的过程中，会在其走过的路上残留下一些信息素，这些信息素能够被同群的蚂蚁伙伴所感知，并且会对蚂蚁行为产生影响。即在相同时间内，离食物愈近的路径会被更多的蚂蚁选择，所留下的信息素也会愈来愈浓，后期蚂蚁选择此路径的概率便会更大。该过程会持续迭代，一直持续到所有蚂蚁都选择了较短路线。 　　阿根廷蚂蚁在开始觅食时就会自动分泌并残留费洛蒙（pheromone）痕迹。实验者准备了两个大槽，其中一个放入阿根廷蚁群，另外一个放入食物。之后，在两个槽之间搭建了一个小桥。 　　实验者们在这座桥上进行了特别设计，即在桥的跨距1/4的地方，划分为两条路，尽管两条路都能够达到食物槽，不过其路径距离不同，其中一条路大约是另一条路的2倍。对此，蚂蚁们会做出什么样的选择呢？ 　　就像预期的那样，蚂蚁在非常短的时间内就明确了最佳路径。根据此实验能够了解到，在进行最初探路时期之后，剩下的蚂蚁均会选择路程比较少的那一条路。 　　实验最大的发现是由费洛蒙而绘制出的路线。在更多蚂蚁选择路径较短的一条路时，费洛蒙的浓度就会愈来愈大，而这就会在无形之中提高后面蚂蚁选取此路的概率。其运作模式为：如果两只蚂蚁（蚂蚁A和蚂蚁B）在同一时刻分别选取了两条路径，分别是路径A和路径B，其中路径A要比路径B稍短。在A蚂蚁成功靠近食物槽的时候B蚂蚁还在路途之中，而在A蚂蚁已成功回到蚁穴时，B蚂蚁才靠近食物槽。 　　那么?@样的话，就处于分叉点上的C蚂蚁而言，A蚂蚁因为来回走了两次，所以它所残留的费洛蒙气味大约是B蚂蚁的两倍，气味比较浓即表示这可能会是一条距离较短的路径。在这种情况迭代数次之后，费洛蒙气味的差距会变的愈来愈显著，导致愈来愈多的蚂蚁选择A路线，也就是比较短的路线。 　　也就是说，蚁群已慢慢摸索出了距离较短的路径，能够快速地在两点之间选取最短路线。另外，对于蚂蚁而言，这并非其自身意愿，它们并不没有兴趣对路线进行比对。其实，这是以蚁群为单位而做出的最理想的方案，即让所有蚂蚁轮番上阵，通过费洛蒙持续“强化”其最初的成功并导引其他蚂蚁走向“最初的成功”，向人们展示了强大的自我控制和组织能力。 　　专家根据上述原理，利用虚拟“人工蚁群”的方法对蚁群外出觅食的整个过程进行仿真分析，以此获得最佳路径，并以此为依据提出了蚁群算法（Ant Colony Algorithm，简称 ACA）。 　　3 蚁群算法的实际应用 　　蚁群算法在现实中应用较为普遍。可应用于多种问题的处理与解决，比如聚类问题、车辆调度问题以及路由问题等。其中，路由问题是蚁群算法最典型的应用：在一个网络信号由初始城市传输至目标城市时，该信号往往需要穿越数个节点。每穿行一个节点时，这个信号要做出一个选择――下一步将穿过哪个节点使得信号的传播过程中代价最小。这就是路由的选择问题。此问题包含两个基本任务： 　　（1） 收集状态信息并更新。 　　（2） 基于收集的信息为新的请求找到一条最佳路径。 　　一个基于蚁群算法的计算机程序可以解决路由选择问题。该计算机程序模拟出电子蚂蚁，让这些电子蚂蚁通过线路，感知线路的速度以及拥挤的程度并收集这些信息。类似于真实的蚂蚁会在道路上留下信息素，这些电子蚂蚁会把它们收集到的信息，即线路的速度及拥挤度，转化为电子代码留在它们通过的道路上。在通过迭代，加强最优路径上电子信息。最终，使网络信号沿着电子信息素加强程度最高的线路传播。这样，网络信号就成功地选择出传播速度最快的路线。在1990年代，惠普企业以及英国电信公司对该问题展开了深度剖析和研究。 　　4 蚁群算法的优缺点分析