蚁群算法实现.ppt

智能算法 1.智能算法与普通算法的区别。 2.为什么要选择智能算法？ 基于一定的理论、自然原理等衍生而出的 一种趋向优化随机算法。 暴力搜素全局最优解的 一种无脑运算的方法 在计算量相对于计算机的运算速度比较小的时候，选取普通算法能保证一定取到最优解。 在计算量相对于计算机的运算速度非常大的时候，用智能算法等得到与最优解非常相近的局部最优解。 有一类重要的现代智能优化算法：群体智能（Swarm Intelligence：SI）算法。 就个体来讲，单个蚂蚁的智力和体力是极其有限的，服务于整个群落的生存与发展； 就群体来讲，蚁群在行为上的分工协作、在完成任务过程中所体现的自组织特征等反应出蚁群具有较高的智能和自我管理能力，具有很高层次组织性，这使得蚁群能够完成一些复杂的任务。 蚁群算法(C.) 自然现象： Goss. S. “双桥”实验(1989) A C 蚁群算法(C.) 自然现象： A C 蚁群算法(C.) 自然现象： A C 1.当蚁群经过还没有走过的地方，往往会随机选择一个行走，同时释放出与路径长度有关的信息素 2.当蚁群再次经过这里的时候，往往信息素浓度较大的区域被选择的概率大，这样形成一个正反馈，使优化方向向着最佳值的方向进行，大幅缩短了走到最佳值的途径，即减少了计算次数，是一种解决TSP等大计算量问题的智能算法。 3.信息素的量随着时间的流逝动态的变化，使较优路径被选择的概率增高，并且可以随着时间的流逝在较优路径中选出最佳路径，而单只蚂蚁选择能力有限，通过大量蚂蚁的选择和群体信息素的交互，最终找到最佳路径。 一.蚂蚁移动算子 事先给定一个 （1）若 ，则该基因位取信息素最大的值（定向修改）---局部寻优 （2）若 ，则该基因位根据转换概率选泽要修改的值（开发新解的空间）---全局寻优 采用轮赌法决定下一个基因位（蚂蚁解） 轮赌法 二.蚂蚁的记忆 存储了关于每只蚂蚁算子基因型的信息。这些记忆的信息可以用于计算所解决方案的价值（每只蚂蚁的解）并且在一些组和优化问题中，利用蚂蚁的记忆可以正确引导蚂蚁构建方案的解。 比如在TSP问题中，利用蚂蚁的记忆可以记录蚂蚁已经走过的城市，并将其置于一个禁忌表中。这样就可以避免蚂蚁重复访问这些城市。 三.局部搜索算子 由若干只（自己设定）的蚂蚁解集中选择最优的解集，并且和上一次迭代的最优解进行比较，保留较优的解。 四.信息素更新算子 算法中蚂蚁的移动，也是根据信息素这一重要信息来选择路径。 在解决Tsp问题时,一般选择 ,也有 ,前两种利用的是局部信息，第三个表达式更新的是整体信息，在TSP问题中相比前两种较优。 蚁群算法伪代码 %%参数设置 m(蚂蚁数目)、NC-max（迭代次数）、t（初始信息素矩阵）、P0、Rho、first-ant随机生成起始的基因型 For i=1:NC_max for j=1:m %%一、蚂蚁移动算子 if randP0 选择信息素浓度最大的基因型 else (1)计算每个基因型的选择概率Pij (2)轮赌法决定选择哪个基因型 end end %%二、蚂蚁的记忆 将迭代的m只蚂蚁的解记录下来 %%三、局部寻优 （1）问题的具体函数模型 （2）在m只蚂蚁里面选择最优的解，并记录 %%四、信息素更新 （1） 每只蚂蚁走过之后都会留下信息素，且信息素的量会随时间挥发。 （2）t(i+1)=(1-Rho)*t(i)+△t end 结果输出（1） 为信息启发因子，表达信息素的重要性 为期望启发因子，表达启发因子的重要性 为启发因子一般在蚁群算法中 TSP为例：参数设置问题 参数设置 结果输出（2） * 由于这些算法都有着很深的理论背景，因此， * 由于这些算法都有着很深的理论背景，因此， * 由于这些算法都有着很深的理论背景，因此， * 由于这些算法都有着很深的理论背景，因此， * 由于这些算法都有着很深的理论背景，因此， * 由于这些算法都有着很深的理论背景，因此， * 由于这些算法都有着很深的理论背景，因此， * 由于这些算法都有着很深的理论背景，因此，