蚁群算法.pptVIP

* 蚁群算法及其应用 * 蚁群算法 1 原理 2 在TSP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 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。 * 自然蚁群与人工蚁群 相似之处在于：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。 * 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的求解是NP-hard （non-deterministic polynomial）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 其中： 表示边（i，j）上的信息素浓度； 是启发信息，d是城市i和j之间的距离； α和β反映了信息素与启发信息的相对重要性； 表示蚂蚁k已经访问过的城市列表。 当所有蚂蚁完成周游后，按以下公式进行信息素更新。 * 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。 其中：Q为常数；lk表示第k只蚂蚁在本次迭代中走过的路径，Lk为路径长度。 * 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 * #include?stdafx.h#include?#include?#include?#include? using?namespace?std; const?int?iAntCount=34;//蚂蚁数量const?int?iCityCount=51;//城市数量const?int?iItCount=2000;//最大跌代次数const?double?Q=100;const?double?alpha=1;const?double?beta=5;const?double?rou=0.5; int?besttour[iCityCount];//最有路径列表 double??rnd(int?low,double?uper)//获得随机数{ ?