蚁群算法及应用2.pptVIP

实验结果 MIN =19726 此时已达到较好的聚类效果 算法改进 基于遗传变异的算法改进 改进代码 pls = 0.1; %局部寻优阈值pls（相当于变异率） solution_temp = zeros(L,N+1); k = 1; while(k = L) solution_temp(k,:) = solution_ascend(k,:); rp = rand(1,N); %产生一个1*N(51)维的随机数组， for i = 1:N if rp(i) = pls %某值小于pls则随机改变其对应的路径标识 current_cluster_number = setdiff([1:K],solution_temp(k,i)); rrr=randint(1,1,[1,K-1]); change_cluster = current_cluster_number(rrr); solution_temp(k,i) = change_cluster; end end 参数调试（局部寻优参数pls） 蚂蚁数 R 局部寻优参数pls 最小偏离误差 MIN 迭代次数 t_max 程序运行时间 time 10 0.1 19727 4784 99.0466 100 0.1 19727 1999 123.0078 1000 0.1 19727 806 458.4601 10 0.01 19727 8950 148.2777 100 0.01 19727 6665 381.1539 1000 0.01 19727 884 499.8319 10 0.2 19727 3650 88.1896 100 0.2 19727 2214 149.1128 1000 0.2 19727 948 495.0127 100 0.5 19727 1802 134.2481 改进后聚类效果对比 R 基本算法 MIN 改进算法 MIN t_max time t_max time 10 1000 5.3909 50013 1000 18.7946 40806 10 1000 5.2669 51779 1000 15.5972 42293 100 1000 50.6583 48222 1000 71.7635 36990 100 1000 55.7148 49049 1000 61.3546 26704 改进后聚类效果对比 基于遗传算法的改进之后缩短了迭代次数，减少了计算量。 聚类的效果要优于基本的蚁群算法。 结论 该算法的聚类结果跟标准聚类结果完全相同； 蚁群算法不仅能够智能搜索、全局优化，而且具有稳健性、鲁棒性、正反馈、分布式计算、易与其它算法相结合等特点。利用正反馈原理，可以加快进化过程:分布式计算使该算法易于并行实现，个体之间不断进行信息交流和传递，有利于找到较好的解；该算法易与多种启发式算法结合，可改善算法的性能；由于鲁棒性强，故在基本蚁群算法模型的基础上进行改进，便可用于其它问题。 因此，蚁群算法的问世为诸多领域解决复杂优化问题提供了有力的工具。 参考文献 赵霞，“MAX一MIN蚂蚁系统算法及其收敛性证明，I，计算机工程与应用，2006(8.) 朱庆保，杨志军，基于变异和动态信息素更新的蚁群优化算法.软件学报，2004(2). 王剑，李平，杨春节，“蚁群算法的理论与应用”，机电工程，2003(5). Julia Handl，Joshua Knowles，Mareo Dorigo.Ant-based clustering and to PograPhie mapping [J]Artificial Life，2008，12(1) 吴　斌,史忠植. 一种基于蚁群算法的TSP 问题分段求解算法[J ] . 计算机学报,2001 ,24 (12). 参考文献 吴庆洪,张纪会,徐心和. 具有变异特征的蚁群算法[J ] . 计算机研究与发展,1993 ,36 (10) :1240 - 1245. 朱庆保,杨志军. 基于变异和动态信息素更新的蚁群优化算法[J ] . 软件学报,2004 ,15 (2) :185 - 192. 刘波 一种利用信息嫡的群体智能聚类算法[J].计算机工程与应用.2004(35)；180一182 董旭，魏振军一种加权欧氏距离聚类方法[J].信息工程大学学报，2005，6(l). 杨欣斌，孙京浩，黄道.基于蚁群