蚁群算法.pptVIP

蚁群算法 蚂蚁总是能找到巢穴与食物源之间的最短路径。 蚂蚁的最短路径 蚁群原理 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 蚂蚁从A点出发，速度相同，食物在D点，可能随机选择路线ABD或ACD。假设初始时每条分配路线一只蚂蚁，每个时间单位行走一步，本图为经过9个时间单位时的情形：走ABD的蚂蚁到达终点，而走ACD的蚂蚁刚好走到C点，为一半路程。 简化的蚂蚁寻食过程 经过18个时间单位时的情形：走ABD的蚂蚁到达终点后得到食物又返回了起点A，而走ACD的蚂蚁刚好走到D点。 应用： 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 蚂蚁算法求解TSP 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. 蚂蚁算法的缺点 1）收敛速度慢 2）易于陷入局部最优 改进： 采用蚁群优化算法 蚁群优化算法起源（一） 20世纪90年代意大利学者M．Dorigo，V．Maniezzo，A．Colorni等从生物进化的机制中受到启发，通过模拟自然界蚂蚁搜索路径的行为，提出来一种新型的模拟进化算法—— 蚁群算法，是群智能理论研究领域的一种主要算法。 蚁群优化算法起源（二） 用蚁群优化算法求解TSP问题、分配问题、job-shop调度问题，取得了较好的试验结果．虽然研究时间不长，但是现在的研究显示出，蚁群算法在求解复杂优化问题（特别是离散优化问题）方面有一定优势，表明它是一种有发展前景的算法． 蚁群优化算法应用领域 这种方法能够被用于解决大多数优化问题或者能够转化为优化求解的问题。现在其应用领域已扩展到多目标优化、数据分类、数据聚类、模式识别、电信QoS管理、生物系统建模、流程规划、信号处理、机器人控制、决策支持以及仿真和系统辩识等方面，群智能理论和方法为解决这类应用问题提供了新的途径。 自然蚁群与人工蚁群 相似之处：都是优先选择信息素浓度大的路径。 两者的区别： （1）在于人工蚁群有一定的记忆能力，能够记忆已经访问过的节点。 （2）人工蚁群选择路径时不是盲目的。而是按一定规律有意识地寻找最短路径。例如，在TSP问题中，可以预先知道当前城市到下一个目的地的距离。 蚁群优化算法的框架 组成部分： 蚁群的活动； 信息素的挥发； 信息素的增强； 蚁群优化算法—技术问题 解的表达形式与算法的实现 每一节点的记忆信息和系数的确定 蚁群的规模和停止规则 信息素的更改 解的表达形式 解的表达形式 基于TSP问题的蚁群优化算法，其解的形式是所有城市的一个排列（闭圈，这种情况下谁在第一并不重要），信息素痕迹按每个弧记录。而对于一般以顺序作为解的优化问题，谁在第一是很重要的。蚁群算法在解决这类问题时，只需要建立一个虚拟的始终点，就可以把TSP问题的解法推广，用于诸多的优化问题。 诸如车间作业及下料等问题，他们的共同特点是解