第19章 基于AC0的TSP求解.pptVIP

第十九章 MATLAB优化算法案例分析与应用 第19章 基于AC0的TSP求解 第十九章 MATLAB优化算法案例分析与应用 19.1 蚁群算法理论研究现状 最初提出的AS有三种版本：Ant density、Ant quantity和Ant cycle。在Ant density和Ant quantity中蚂蚁在两个位置节点间每移动一次后即更新信息素，而在Ant cycle中当所有的蚂蚁都完成了自己的行程后才对信息素进行更新，而且每只蚂蚁所释放的信息素被表达为反映相应行程质量的函数。 通过与其他各种通用的启发式算法相比，在不大于75城市的TSP中，这三种基本算法的求解能力还是比较理想的，但是当问题规模扩展时，AS的解题能力大幅度下降，因此，其后的ACO研究工作主要集中在AS性能的改进方面。 较早的一种改进方法是精英策略（Elitist Strategy），其思想是在算法开始后，即对所有已发现的最好路径给予额外的增强，并将随后与之对应的行程记为Tgb（全局最有行程）。 当进行信息素更新时，对这些行程予以加权，同时将经过这些行程的蚂蚁记为“精英”，从而增大较好行程的选择机会。这种改进型算法能够以更快的速度获得更好的解，但是若选择的精英过多则算法会由于较早的收敛于局部次优解而导致搜索中的过早停滞。 第十九章 MATLAB优化算法案例分析与应用 19.2 蚁群算法的基本原理 蚁群算法是一种新型的模拟进化算法，鉴于目前国内尚缺乏这一方面的研究，其研究刚刚开始，远未像遗传算法、模拟退火算法等算法那样行程系统的分析方法和坚实的数学基础，有许多问题有待进一步研究，如算法的收敛性、理论依据等更多细致的工作还有待于进一步展开。 单只蚂蚁的行为极其简单，但由这样的单个简单个体所组成的蚁群群体却表现出及其复杂的行为，如：在蚂蚁运动路径上突然出现障碍物时，蚂蚁能够很快重新找到最优路径。像蚂蚁这类群居昆虫，虽然没有视觉，却能找到由蚁穴到食物源的最短路径，究其愿意，马一个题之间通过一种称之为信息素（pheromone）的物质进行信息传递，从而能相互协作，完成复杂的任务。蚂蚁之所以表现出复杂有序的行为，个体之间的信息交流和相互协作起着重要作用。 蚂蚁在运动过程中，能够在它所过的路径上留下该物质，并以此指导自己的运动方向。蚂蚁倾向于朝着该物质强度高的方向移动。因此，由大量蚂蚁组成的蚁群的集体行为便表现出一种信息正反馈现象：某一路径上走过的蚂蚁越多，则后者选择该路径的概率约大。蚂蚁个体之间就是通过这种信息的交流达到搜索实物的目的。这里，用一个形象化的图示来说明蚂蚁群体的路径搜索原理和机制。 第十九章 MATLAB优化算法案例分析与应用 19.2 蚁群算法的基本原理 假定障碍物的周围有两条道路可以从蚂蚁的巢穴到达食物源（如图19-1所示）：Nest-ABD-Food和Nest-ACD-Food，分别具有长度4和6.蚂蚁在单位时间内可移动一个单位长度的距离。开始时所有道路上都未留有任何信息素。 第十九章 MATLAB优化算法案例分析与应用 19.2 蚁群算法的基本原理 蚁群算法基本算法如下。 设有m 只蚂蚁，每只蚂蚁有以下特征：它根据以城市距离和链接边上外激素的数量为变量的改了吧函数选择下一个城市（设 为 t 时刻 上外激素的强度）。规定蚂蚁走合法路线，除非周游完成，不允许转到已访问城市，由禁忌表控制（设 表示第 k 只蚂蚁的禁忌表， 表示禁忌表中第 s 个元素）。它完成周游后，蚂蚁在它每一条访问的边上留下外激素。 设 是在 t 时刻城市 I 的蚂蚁数，设 为全部蚂蚁数。每只简单蚂蚁有以下特征： （1）它根据以城市距离和链接边上激素的数量为变量的概率函数选择下一个城市（设 为 t 时刻 上外激素的强度）。 （2）规定蚂蚁走合法路线，除非周游结束，不允许转到已访问城市，由禁忌表控制（设 表示第 k 只蚂蚁的禁忌表， 表示禁忌表中第 s 个元素）。 （3）完成周游后，蚂蚁在它每一条访问的边上留下外激素。 第十九章 MATLAB优化算法案例分析与应用 19.2 蚁群算法的基本原理 旅行商问题的蚁群算法的基本步骤 第十九章 MATLAB优化算法案例分析与应用 19.3 基于ACO的TSP求解 图19-3 原始城市位置 第十九章