蚁群算法-北京大学计算机科学技术研究所.pdf

蚁群算法  蚁群算法是20世纪90年代发展起来一种模仿蚂 蚁群体行为的新的智能化算法. 该算法引入正反 馈并行机制, 具有较强的鲁棒性、优良的分布式 计算机制、易于与其他方法结合等优点. 目前蚁 群算法已经渗透到多个应用领域, 从一维静态优 化问题到多维动态优化问题, 从离散问题到连续 问题. 蚁群算法都展现出优异的性能和广阔的发 展前景. 2 蚁群算法  蚁群(ACA) 算法:  系统基本的蚁群算法, 分析基本蚁群算法的机制和 原理, 介绍基本蚁群算法的数学模型、实现方法;  介绍改进的蚁群算法和蚁群算法的收敛性;  分析蚁群算法与其他仿生优化算法异同, 介绍蚁群 算法与遗传算法的融合;  介绍蚁群算法的典型应用. 3 蚁群算法  蚁群(ACA) 算法:  系统基本的蚁群算法, 分析基本蚁群算法的机制和 原理, 介绍基本蚁群算法的数学模型、实现方法;  介绍改进的蚁群算法和蚁群算法的收敛性;  分析蚁群算法与其他仿生优化算法异同, 介绍蚁群 算法与遗传算法的融合;  介绍蚁群算法的典型应用. 4 蚁群算法  人类在自然界获得启示, 发明了许多试图通过模拟自然 生态系统机制来求解复杂优化问题的仿生优化方法.  研究群居性昆虫行为的科学家发现, 昆虫在群落一级上 的合作基本上是自组织的, 在许多场合中尽管这些合作 很简单, 但它们却可以解决许多复杂的问题.  例如: 每只蚂蚁的智能并不高, 看起来没有集中的指挥, 但它们却能协同工作成功寻找到食物. 5 蚁群算法  意大利学者Dorigo M等人提出一种模拟蚂蚁群体觅食行 为方式的仿生优化算法—— 蚁群算法(Ant Colony Algorithm, ACA). 该算法引入正反馈并行机制, 具有较强 的鲁棒性、优良的分布式计算机制、易于与其他方法结 合等优点.  目前蚁群算法已经渗透到各个应用领域, 从一维静态优 化问题到多维动态优化问题, 从离散问题到连续问题.  蚁群算法解决了许多复杂优化和经典NP-C 问题, 展现出 优异的性能和广阔的发展前景. 6 蚁群觅食的特性  在自然界中蚂蚁是如何觅食的呢？  为什么蚁群总能找到一条从蚁巢到食物源的最短路径？  答案: 蚂蚁会分泌一种叫做信息素(Pheromone) 的化学 物质, 蚂蚁的许多行为受信息素的调控, 蚂蚁在运动过 程中, 能够在其经过的路径上留下信息素, 而且能感知 这种物质的存在及其浓度, 以此指导自己的运动方向. 蚂蚁倾向于朝着信息素浓度高的方向移动. 7 蚁群觅食的特性 (a) (b) (c)