蚁群算法.ppt

定义8.1 设从城市i共有r条路到达另外r个城市i1,i2,…,ir,另设上一次迭代中，经过这r条路径上的蚂蚁分别为a1,a2,…,ar,令城市i的聚度为 若在上一次迭代中，m只蚂蚁遍历时经过以城市i为起点的r条路径的s条，设经过他们的蚂蚁个数分别a1,a2,…,ar,这些值均不为0，而其余路径上的蚂蚁个数均为0。城市的聚度i随s的减小而增大。 为使聚度的大小达到有效的平衡，以在改善蚂蚁搜索速度的同时避免局部优化，可考虑根据城市i的聚度sta(i)来 确定蚂蚁在该城市时下一步可选择的路径数ω，ω可取为 在路径选择过程中，蚂蚁仅考虑信息量最高的ω条路径。显然，当城市的聚度越大时，ω越大，蚂蚁下一步的分布范围越来越广；反之，聚度越小，蚂蚁搜索时分布范围就越小。 为了调整各个路径被选中的概率，引入“信息权重”这个量来限制信息量和期望程度，其总体原则是要使信息量大的和当前局部最优的路径被选择的概率较大。 定义8.2以城市i为起点的r条路径按其信息量由高到低排序，序号依次存于数组rank中，即数组元素rank[j]的值为路径(i,j)的序号。下一步可供选择的路径条数为w，取 q=w/r，计算 则ξij为路径(i,j)的信息权重。应用信息权重ξij，蚂蚁由城市i按式(8-18)的概率选择城市j,即 式中对各路径上的信息量及期望程度都乘上了信息权重ξij。 路径(i,j)的信息权重ξij反映了蚂蚁从城市i选择下一个城市j时，路径(i,j)上的信息量ξij(t)以及可访问度ηij(t)对蚂蚁选择概率的影响程度。对于信息量较大的路径，其信息权重较大，蚂蚁选择该路径的概率也较大。自适应更新信息量的过程如下： 根据信息量的均匀度自适应的进行信息量的更新，以动态调整各条路径上的信息量的分布，使其不至于过分集中或者分散，避免在加速收敛的同时成熟。信息量局部更新可根据以下策略： 由于蚂蚁常常选择信息量较大的路径，当多只蚂蚁选中同一路径后，信息量增加的幅度太大就容易使多只蚂蚁集中到该路径，因此取1/dij为增加的信息量。若选择该路径的蚂蚁达到一定数量或多数蚂蚁选择该路径后因当前距离超过上一次的最优路径长度终止遍历(这里分别设定为m/3和m/5),信息量则取-10/d0ij,这时可大幅度削减其信息量使其趋于各条路径信息量的平均值，从而使蚂蚁选择其他路径的可能性增加，让搜索到的解趋于多样化。 信息量的整体更新可根据以下策略： 式中Ll(t)为本次迭代过程中第l只蚂蚁遍历的路径全长；Ψl为第l只蚂蚁所对应的解对该路径上的信息量更新的影响程度。 Ψl的计算方法为：设经过路径(i,j)的蚂蚁总数为K，对他们在本次迭代中遍历的路径全长由小到大进行排序，所得序号存放于数组rank中，即rank[l]表示第l只蚂蚁对应的序号。 算法的具体步骤为 算法1 自适应蚂蚁算法。 (1)初始化。随机产生m个初始解，设其中经过路径(i,j)的初始解有s个，他们的总长度分别为L1,L2,…LS,则路径(i,j)上的初始信息量为 其中Q为常数 (2)迭代过程 算法二选择算法 将allowedk集合中各条路径上的信息量由大到小排序，选择前w条路径将其序号记入数组rank中。计算与城市i相连的个路径的信息权重，按式(8-18)选择城市j。 4.5其他改进算法 除了Ant-Q蚁群算法、ACS算法、最大-最小蚂蚁系统、自适应蚁群算法等改进的蚁群算法外，还有其他的改进算法， 如引入变异算子、对信息激素进行重新分配、加入扰动等。 1.引入变异算法的目的是使信息激素的更新不过分集中，避免过早停滞。 2.信息激素的分配：基本上是采用全剧最好信息激素与迭代最好信息激素混用的方法。 文献【14】采用类似于遗传算法中的选择算子，即当在非停滞状态时，信息激素的释放范围比基本蚁群算法缩小，对每次迭代所得到的部分较差的解，可以停止信息的分配，这样可以克服基本蚁群算法初期的长时间盲目搜索状态，加速收敛。 3.转移概率即加入扰动，即对转移概率中的[τij(t)]α?[ηij]β的参数α和β进行重新定义，如下面的扰动策略： 扰动策略的引入使得转移概率和信息激素更新规则同时得到变化，使其成为确定性与随机性同时作用动态机制。可以较好的平衡局部更新与全局更新的关系，达到全局优化的目的。 蚁群算法在解决很多组合优化问题上都取得比较理想的效果。一类应用于静态组合优化问题，另一类用于动态组合优化问题。另外，将蚁群算法对其他问题的解决也取得一定的进展，如大规模集成电路中的综合布线以及电信网络中的路由、参数优化、电力系统无功优化方面的应用。 1. 用蚁群算法求解TSP问题 31个城市的仿真结果如下图