第2讲_蚁群算法090713.pdfVIP

第2讲 蚁群算法 2.1 蚁群优化算法概述 2.2 蚁群优化算法原理及实现 2.3 小生境蚁群算法应举例 2.4 练习 2009-7-12 1 2.1 蚁群优化算法概述 2.1.1 起源 2.1.2 应用领域 2.1.3 研究背景 2009-7-12 2 2.1.1 蚁群优化算法起源 1/2 20世纪50年代中期创立了仿生学，人们从生 物进化的机理中受到启发。提出了许多用以解决 复杂优化问题的新方法，如进化规划、进化策略、 遗传算法等，这些算法成功地解决了一些实际问 题。 2009-7-12 3 2.1.1 蚁群优化算法起源 2/2 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。用 该方法求解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。 2009-7-12 4 2.1.2 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。 2009-7-12 5 2.1.3 蚁群优化算法研究背景 1/3 群智能理论研究领域有两种主要的算法：蚁 群算法(Ant Colony Optimization, ACO)和粒子群 算法（Particle Swarm Optimization, PSO ）。前 者是对蚂蚁群落食物采集过程的模拟，已成功应 用于许多离散优化问题。粒子群算法也是起源于 对简单社会系统的模拟，最初是模拟鸟群觅食的 过程，但后来发现它是一种很好的优化工具。 2009-7-12 6 2.1.3 蚁群优化算法研究背景 2/3 与大多数基于梯度的应用优化算法不同，群智能 依靠的是概率搜索算法。虽然概率搜索算法通常要采 用较多的评价函数，但是与梯度方法及传统的演化算 法相比，其优点还是显著的，主要表现在以下几个方 面： 1 无集中控制约束，不会因个别个体的故障影响 整个问题的求解，确保了系统具备更强的鲁棒性 2 以非直接的信息交流方式确保了系统的扩展性 3 并行分布式算法模型，可充分利用多处理器 4 对问题定义的连续性无特殊要求 5 算法实现简单 2009-7-12 7 2.1.3 蚁群