蚁群算法及其应用讲座精要.ppt

蚁群算法及其应用 启发式算法_分类 现代优化算法： 80年代初兴起 禁忌搜索（tabu search） 模拟退火（simulated annealing） 神经网络（neural networks） 遗传算法（genetic algorithms） 蚂蚁算法（Ant Algorithm，群体智能，Swarm Intelligence） 遗传算法 遗传算法(Genetic?Algorithm,?GA)是1962年密切根大学Holland教授首次提出的一种全局优化算法，它借用了生物遗传学的观点，通过自然选择、遗传、变异等作用机制，实现各个体的适应性的提高，并迅速推广到优化、搜索、机器学习等方面。? 遗传算法的过程 蚁群算法 1 原理 2 在TSP中的应用及改进 3 在QoS多播路由中的应用 1 蚁群算法原理 20 世纪90 年代初，意大利学者Dorigo 等受蚂蚁觅食行为的启发，提出了蚁群算法，是一种仿生算法。 蚂蚁在觅食过程中可以找出巢穴到食物源的最短路径，为什么？ （1）信息素(pheromone) （2）正反馈现象：某一路径上走过的蚂蚁越多，则后来者选择该路径的概率就越大。 简化的蚂蚁寻食过程 简化的蚂蚁寻食过程 自然蚁群与人工蚁群 应用一：TSP问题 旅行商问题（TSP,traveling salesman problem）1960年首先提出。 问题描述： 一商人去n个城市销货，所有城市走一遍再回到起点，使所走路程最短。 TSP在许多工程领域具有广泛的应用价值 例如电路板布线、VLSI芯片设计、机器人控制、交通路由等。 TSP的求解是NP-hard问题。随着城市数目的增多,问题空间将呈指数级增长。 TSP问题的数学描述 TSP问题表示为一个N个城市的有向图G=（N，A），其中 城市之间距离 目标函数为 其中， ，为城市1,2，…n的 一个排列， 。 蚂蚁算法求解TSP 下面以TSP为例说明基本蚁群算法模型。 首先将m只蚂蚁随机放置在n个城市，位于城市i的第k只蚂蚁选择下一个城市j的概率为: 蚂蚁算法求解TSP 蚂蚁算法求解TSP 其中：ρ为小于1的常数，表示信息的持久性。 求解TSP算法步骤 ⑴初始化　随机放置蚂蚁，为每只蚂蚁建立禁忌表tabuk，将初始节点置入禁忌表中; ⑵迭代过程 k=1 while k=ItCount do (执行迭代) for i = 1 to m do (对m只蚂蚁循环) for j = 1 to n - 1 do (对n个城市循环) 　　 根据式(1)，采用轮盘赌方法在窗口外选择下一个城市j; 将j置入禁忌表,蚂蚁转移到j; 　 end for end for 计算每只蚂蚁的路径长度; 根据式(2)更新所有蚂蚁路径上的信息量; k = k + 1; end while ⑶输出结果,结束算法. 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； 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。 蚂蚁算法的缺点 蚂蚁算法的缺点： 1）收敛速度慢 2）易于陷入局部最优 改进： 1）采用局部优化，设计了三种优化算子。 2）采用蚁群优化算法。 3）其它优化算法 改进一：局部优化（算子1 ） 对Kroa100，算子1优化前后的路径如图所示。优化前（28596），算子1优化后（26439） 改进一：局部优化（算子2 ） 对Kroa100，算子2优化前后的路径如图所示。算子1（26439），算子2优化后（23012） 改进一：局部优化（算子3 ） 对Kroa100，算子3优化前后的路径如图所示。（23012），算子3优化后（21282） 收敛特性对比 改进二：蚁群优化算法 1)ACS采用了更为大胆的行为选择规则，在城市r的蚂蚁k转移到城市s的规则为: 2.1.4蚁群优化算法 其它改进 1）精英策略 2）基于排序的蚂蚁系统 3） MAX-MIN蚂蚁系统 应用二：QoS多播路由问题 什么是多播路由？ 构造一棵费用最小的多播树，且满足以下限制条件： (1) d(T(s, D))≤D （延时） (2) dj(T(s, D))≤DJ （抖动） (3) pl(T(s, D))≤PL （丢包率） (4) b(T(s, D))≥B. （带宽） 路径的QoS参数计算 多播树的QoS参数计算 算法 方