蚁群算法基本原理.docVIP

2.1 蚁群算法的基本原理 蚁群优化算法是模拟蚂蚁觅食的原理，设计出的一种群集智能算法。蚂蚁在觅食过程中能够在其经过的路径上留下一种称之为信息素的物质，并在觅食过程中能够感知这种物质的强度，并指导自己行动方向，它们总是朝着该物质强度高的方向移动，因此大量蚂蚁组成的集体觅食就表现为一种对信息素的正反馈现象。某一条路径越短，路径上经过的蚂蚁越多，其信息素遗留的也就越多，信息素的浓度也就越高，蚂蚁选择这条路径的几率也就越高，由此构成的正反馈过程，从而逐渐的逼近最优路径，找到最优路径。 蚂蚁在时，是以信息素作为媒介而间接进行信息，当蚂蚁从食物源走到蚁穴，或者从蚁穴走到食物源时，都会在经过的上释放信息素，从而形成了一条含有信息素的路径，蚂蚁可以感觉出路径上信息素浓度的大小，并且以较高的概率选择信息素浓度较高的路径。 人工蚂蚁的搜索主要包括三种智能行为： （1）蚂蚁的记忆行为。一只蚂蚁搜索过的路径在下次搜索时就不再被该蚂蚁选择，因此在蚁群算法中建立禁忌表进行模拟。 （2）蚂蚁利用信息素进行相互通信。蚂蚁在所选择的路径上会释放一种信息素的物质，当其他蚂蚁进行路径选择时，会根据路径上的信息素浓度进行选择，这样信息素就成为蚂蚁之间进行通信的媒介。 （3）蚂蚁的集群活动。通过一只蚂蚁的运动很难达到事物源，但整个蚁群进行搜索就完全不同。当某些路径上通过的蚂蚁越来越多时，路径上留下的信息素数量也就越多，导致信息素强度增大，蚂蚁选择该路径的概率随之增加，从而进一步增加该路径的信息素强度，而通过的蚂蚁比较少的路径上的信息素会随着时间的推移而挥发，从而变得越来越少。3.3.1蚂蚁系统 蚂蚁系统是最早的蚁群算法。其搜索过程大致如下： 在初始时刻，只蚂蚁随机放置于城市中，各条路径上的信息素初始值相等，设为：为信息素初始值，可设，是由最近邻启发式方法构造的路径长度。其次，蚂蚁，按照随机比例规则选择下一步要转移的城市，其选择概率为： 其中，为边上的信息素，为从城市转移到城市的启发式因子，为蚂蚁下一步被允许访问的城市集合。 为了不让蚂蚁选择已经访问过的城市，采用禁忌表来记录蚂蚁当前所走过的城市。经过时刻，所有蚂蚁都完成一次周游，计算每只蚂蚁所走过的路径长度，并保存最短的路径长度，同时，更新各边上的信息素。首先是信息素挥发，其次是蚂蚁在它们所经过的边上释放信息素，其公式如下： ，其中为信息素挥发系数，且。 ，其中是第只蚂蚁向它经过的边释放的信息素，定义为： （3.2） 根据（3.2）可知，蚂蚁构建的路径长度越小，则路径上各条边就会获得更多的信息素，则在以后的迭代中就更有可能被其他的蚂蚁选择。 蚂蚁完成一次循环后，清空禁忌表，重新回到初始城市，准备下一次周游。 大量的仿真实验发现，蚂蚁系统在解决小规模TSP问题时性能尚可，能较快的发现最优解，但随着测试问题规模的扩大，AS算法的性能下降的比较严重，容易出现停滞现象。因此，出现了大量的针对其缺点的改进算法。 3.3.2精英蚂蚁系统 精英蚂蚁系统[11]是对基本AS算法的第一次改进，它首先由Dorigo等人中提出，它的设计思想是对算法每次循环之后给予最优路径额外的信息素量。找出这个解的蚂蚁称为精英蚂蚁。 将这条最优路径记为（best-so-far tour）。针对路径的额外强化是通过向中的每一条边增加大小的信息素得到的，其中e是一个参数，它定义了给予路径的权值大小，代表了的长度。这样相应的信息素的更新公式如式（3.3）： （3.3） 其中，的定义方法跟以前的相同，的定义则如式（3.4）： （3.4） Dorigo等人的文章列举的计算结果表明，使用精英策略并选取一个适当的e值将使得AS算法不但可以得到更好的解，而且能够在更少的迭代次数下得到一些更好的解。 3.3.3最大-最小蚂蚁系统 最大-最小蚂蚁系统MMAS[13-15]）是到目前为止解决TSP问题最好的ACO算法方案之一。MMASAS算法的基础之上，主要作了如下的改进：为避免算法过早收敛于最优解，将各条路径可能的外激素浓度限制于，超出这个范围的值被强制设为或者是，可以有效地避免某条路径上的信息量远大于其余路径，所有蚂蚁都集中到同一条路径上；每次迭代结束后，只有最优解所属路径上的信息被更新，从而更好地利用了历史信息；在算法的初始时刻取较小的值时算法有更好的发现较好解的能力。所有蚂蚁完成一次迭代后，按.5）式对路径上的信息作全局更新： （.5） （.6）允许更新的路径可以是全局最优解，或本次迭代的最优解。实践证明逐渐增加全局最优解的使用频率，会使该算法获得较好的性能。3.3.4基于排序的蚁群算法 基于排序的蚂蚁系统