智能算法（AntAlgorithm）.pptVIP

实验数据 实验参数设置 蚂蚁系统 蚂蚁数量N_ant = 5 最大循环周期Ncmax = 400 = 0.2 Q = 20000 = 0.9 LB = 0.0 蚁群系统 q0 = 0.5 全局更新规则中的 和局部更新规则中的 均取0.1 实验参数设置 最大-最小蚂蚁系统 选取全局最优解 带有精英策略的蚂蚁系统 精英蚂蚁数量:1只 实验结果 实验结果分析 直接用贪心策略求解结果： 3293.4375 蚂蚁系统求解SMMAL问题的性能较差 对于这个具体的问题，带精英策略的蚂蚁系统的求解性能并不好于蚂蚁系统 蚁群系统的性能相对于前两者而言，有了很大幅度的提高 最大-最小蚂蚁系统的性能最好，大多数情况下的求解结果已达到实际的最优解 实验界面 实验界面 蚁群系统在TSP问题中的应用 10城市TSP问题 20城市TSP问题 蚁群系统在TSP问题中的应用 30城市TSP问题 48城市TSP问题 Questions? 改进的蚁群算法及其应用 改进的蚁群算法 Macro Dorigo Gambardella 带精英策略的蚂蚁系统 带精英策略的蚂蚁系统（Ant System with elitist strategy, ASelite）是最早的改进蚂蚁系统 遗传算法中的精英策略 传统的遗传算法可能会导致最适应个体的遗传信息丢失 精英策略的思想是保留住一代中的最适应个体 蚂蚁系统中的精英策略 每次循环之后给予最优解以额外的信息素量 这样的解被称为全局最优解（global-best solution） 找出这个解的蚂蚁被称为精英蚂蚁(elitist ants) 带精英策略的蚂蚁系统 信息素根据下式进行更新 其中 带精英策略的蚂蚁系统 上式中 表示精英蚂蚁引起的路径(i, j)上的信息素量的增加 特点： 可以使蚂蚁系统找出更优的解 找到这些解的时间更短 精英蚂蚁过多会导致搜索早熟收敛 是精英蚂蚁的个数 是所找出的最优解的路径长度 蚁群系统 蚁群系统(Ant Colony System, ACS)是由Dorigo和Gambardella在1996年提出的 蚁群系统做了三个方面的改进： 状态转移规则为更好更合理地利用新路径和利用关于问题的先验知识提供了方法 全局更新规则只应用于最优的蚂蚁路径上 在建立问题解决方案的过程中，应用局部信息素更新规则 蚁群系统状态转移规则 一只位于节点r的蚂蚁通过应用下式给出的规则选择下一个将要移动到的城市s 其中，S根据下列公式得到 蚁群系统状态转移规则 q是在[0,1]区间均匀分布的随机数 q0的大小决定了利用先验知识与探索新路径之间的相对重要性。 上述状态转移规则被称为伪随机比例规则 特点：倾向于选择短的且有着大量信息素的边作为移动方向 蚁群系统全局更新规则 只有全局最优的蚂蚁才被允许释放信息素 目的：使蚂蚁的搜索主要集中在当前循环为止所找出的最好路径的领域内 全局更新在所有蚂蚁都完成它们的路径之后执行，使用下式对所建立的路径进行更新 蚁群系统全局更新规则 为信息素挥发参数，0 1 为到目前为止找出的全局最优路径 全局更新规则的另一个类型称为迭代最优 区别:使用 代替 ， 为当前迭代(循环)中的最优路径长度 这两种类型对蚁群系统性能的影响差别很小，全局最优的性能要稍微好一些 蚁群系统局部更新规则 类似于蚁密和蚁量模型中的更新规则 蚂蚁应用下列局部更新规则对它们所经过的边进行激素更新 实验发现， 可以产生好的结果，其中n是城市的数量， 是由最近的邻域启发产生的一个路径长度 局部更新规则可以有效地避免蚂蚁收敛到同一路径 最大-最小蚂蚁系统 蚁群算法将蚂蚁的搜索行为集中到最优解的附近可以提高解的质量和收敛速度，从而改进算法的性能。但这种搜索方式会使早熟收敛行为更容易发生 最大-最小蚂蚁系统(Max-Min Ant System, MMAS)能将这种搜索方式和一种能够有效避免早熟收敛的机制结合在一起，从而使算法获得最优的性能 最大-最小蚂蚁系统 MMAS和AS主要有三个方面不同： 为了充分利用循环最优解和到目前为止找出的最优解，在每次循环之后，只有一只蚂蚁进行信息素更新。这只蚂蚁可能是找出当前循环中最优解的蚂蚁，也可能是找出从实验开始以来最优解的蚂蚁 为避免搜索的停滞，在每个解的元素上的的信息素轨迹量的值域范围被限制在 区间内 将信息素轨迹初始化为 信息素轨迹更新 在MMAS中，只有一只蚂蚁用于在每次循环后更新信息轨迹 经修改的轨迹更新规则如下： 表示迭代最优解或全局最优解的值 在蚁群算法中主要使用全局最优解，而在MMAS中则主要使用迭代最优解 信息