蚁群算法ACO(ANTCOLONYOPTIMIZATION)刘威2014.05.30及有关解说.pptVIP

“ ” 蚁群算法ACO(ANT COLONY OPTIMIZATION)刘威2014.05.30 1、蚁群算法简介 2、蚁群算法原理 3、自然蚁群与人工蚁群算法 4、旅行推销员（TSP）问题 5、蚁群算法求解旅行推销员问题 6、蚁群算法的优缺点 大纲 1 蚁群算法起源 蚁群优化（ANT COLONY OPTIMIZATION,ACO）是20世纪90年代初由意大利学者M.DORIGO等通过模拟蚂蚁的行为而提出的一种随机优化技术。最初用于求解旅行商问题，现在已经成功用于许多组合优化问题。 Macro Dorigo 1、蚁群算法简介 2 在经过路径上释放一种特殊的信息素——费洛蒙； 路径越长，费洛蒙浓度越低； 费洛蒙浓度愈强，该路线被蚂蚁选择的机率愈大； 若一段时间不再有蚂蚁经过该路径并贡献费洛蒙时，其费洛蒙浓度便会降低； 最优路径上的激素浓度越来越大，最终找出最优路径。 2、蚁群算法原理 3 2.1 简化的蚂蚁寻食过程 4 9个时间单位，走ABD的蚂蚁到达终点，走ACD的蚂蚁刚好走到C点。 18个时间单位，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。 36个时间单位后，ABD的路线往返了2趟，而 ACD的路线往返了一趟，两条路线费洛蒙单位比值为2：1。 按费洛蒙的指导，蚁群在ABD路线上增派一只蚂蚁（共2只），而ACD路线上仍然为一只蚂蚁。再经过36个时间单位后，两条线路上的费洛蒙单位积累为12和4，比值为3：1。 3、自然蚁群与人工蚁群 7 旅行推销员问题(Traveling Salesman Problem；TSP),该推销员需拜访八个城市，各城市的相对位置及彼此之间的距离（单位：公里）分别如下所示。这位推销员从城市1出发，必须拜访每个城市且仅能拜访一次，然后再回到城市1，此推销员的最佳路径为何？ 　 1 2 3 4 5 6 7 8 1 – 91.8 105.2 89.9 189.9 76.2 278.3 54.4 2 91.8 – 187.2 38.9 271.3 162.9 363.3 88.4 3 105.2 187.2 – 194.1 182.3 31.4 176.1 153.8 4 89.9 38.9 194.1 – 249.4 166.1 368.3 63.6 5 189.9 271.3 182.3 249.4 – 168.0 243.0 185.9 6 76.2 162.9 31.4 166.1 168.0 – 202.2 122.8 7 278.3 363.3 176.1 368.3 243.0 202.2 – 320.0 8 54.4 88.4 153.8 63.6 185.9 122.8 320.0 – 4、旅行推销员（TSP）问题 开发： 蚂蚁参考过去所经历的较佳路径，以获得更好的解 探索： 蚂蚁欲发现未曾尝试过的解，以避免陷入区域最佳解 控制开发与探索之相对比例的参数 状态转移法则：在开发和探索之间提供了一个平衡机制 第i只蚂蚁初次迭代的解： 迭代n的最佳解： 目前整体最佳解： 节点排序集合 5、蚁群算法求解旅行推销员问题 贪婪法则：ACO的蚂蚁不同于真实蚂蚁之处在于其并非全盲；除了拥有费落蒙引导外，亦可经由贪婪法则给予一个较为适当的搜寻方向。 区域费洛蒙更新：某只蚂蚁完成一个可行解后，依据此蚂蚁的路径实时更新其费洛蒙浓度，目的是避免让其他蚂蚁陷入区域最佳解。 全局费洛蒙更新：仅记录该迭代蚁群中表现最好的蚂蚁，并对其解进行费洛蒙更新，增加其行经路径的费洛蒙浓度，以给未来的蚁群适当的引导。 5、蚁群算法基本概念 反复步骤： 1.建构阶段。依据以下状态转移法则一次决定一个节点，以逐步建立第n次迭代的第i只蚂蚁的解 ——节点r至u的费洛蒙量 ——节点r至u的贪婪法则的结果（TSP问题中为距离倒数） ——该只蚂蚁走至节点r时，尚未拜访城市集合 ——决定费洛蒙量与贪婪法则之相对重要性参数 S ——随机变量，一般使用罗盘法搭配以下机率分配产生 随机数 ， 第一只蚂蚁从城市1出发 ，依 寻找下一城市 ， 取ru节点间距离的倒数， 计算得 为最大值，选择城市8 随机数q=0.302、0.493，继续选择城市4及2 　 1 2 3 4 5 6 7 8 1 – 91.8 105.2 89.9