第二章蚁群算法培训.pptVIP

第二章 蚁群算法 ;2.1 群智能 ;2.1 群智能 ;2.1 群智能 ;2.2 蚁群优化算法原理 ;2.2 蚁群优化算法原理 ;2.2 蚁群优化算法原理 ; 蚂蚁从A点出发，随机选择路线ABD或ACD。经过9个时间单位时：走ABD的蚂蚁到达终点，走ACD的蚂蚁刚好走到C点。;2.2 蚁群优化算法原理 ; 最后的极限是所有的蚂蚁只选择ABD路线。（正反馈过程）; 假设蚂蚁每经过一处所留下的信息素为一个单位，则经过36个时间单位后，所有开始一起出发的蚂蚁都经过不同路径从D点取得了食物，此时ABD的路线往返了2趟，每一处的信息素为4个单位，而 ACD的路线往返了一趟，每一处的信息素为2个单位，其比值为2：1。 若按以上规则继续，蚁群在ABD路线上再增派一只蚂蚁（共3只），而ACD路线上仍然为一只蚂蚁。再经过36个时间单位后，两条线路上的信息素单位积累为24和6，比值为4：1。 若继续进行，则按信息素的指导，最终所有的蚂蚁会放弃ACD路线，而都选择ABD路线。这也就是前面所提到的正反馈效应。 ; 基于以上蚁群寻找食物时的最优路径选择问题，可以构造人工蚁群，来解决最优化问题，如TSP问题。 人工蚁群中把具有简单功能的工作单元看作蚂蚁。二者的相似之处在于都是优先选择信息素浓度大的路径。较短路径的信息素浓度高，所以能够最终被所有蚂蚁选择，也就是最终的优化结果。 两者的区别在于人工蚁群有一定的记忆能力，能够记忆已经访问过的节点。同时，人工蚁群再选择下一条路径的时候是按一定算法规律有意识地寻找最短路径，而不是盲目的。例如在TSP问题中，可以预先知道当前城市到下一个目的地的距离。 ;2.2.3 初始的蚁群优化算法—基于图的蚁群系统（GBAS）;2.2.3 初始的蚁群优化算法—基于图的蚁群系统（GBAS）;2.2.3 初始的蚁群优化算法—基于图的蚁群系统（GBAS）;2.2.3 初始的蚁群优化算法—基于图的蚁群系统（GBAS）;2.2.3初始的蚁群优化算法—基于图的蚁群系统（GBAS）;图的蚁群系统（GBAS）;*;*;2.2.3 初始的蚁群优化算法—基于图的蚁群系统（GBAS）;2.2.3 初始的蚁群优化算法—基于图的蚁群系统（GBAS）;2.2.3 初始的蚁群优化算法—基于图的蚁群系统（GBAS）;2.2.3 初始的蚁群优化算法—基于图的蚁群系统（GBAS）;2.2.3 一般蚁群算法的框架;2.3 基本蚁群优化算法 ;2.3 基本蚁群优化算法 ;2.3 基本蚁群优化算法 ;2.3 基本蚁群优化算法 ;2.3 基本蚁群优化算法 ;2.3 基本蚁群优化算法 ;2.3 基本蚁群优化算法 ;2.3 基本蚁群优化算法 ;2.3 基本蚁群优化算法 ;2.3 基本蚁群优化算法 ;2.3 基本蚁群优化算法 ;2.3 基本蚁群优化算法 ;2.3 基本蚁群优化算法 ;2.3 基本蚁群优化算法 ;2.3 基本蚁群优化算法 ;2.3 基本蚁群优化算法 ;2.3 基本蚁群优化算法 ;2.3 基本蚁群优化算法 ;智能优化计算;智能优化计算;智能优化计算;智能优化计算;智能优化计算;智能优化计算;智能优化计算;智能优化计算;智能优化计算;智能优化计算;智能优化计算;智能优化计算;智能优化计算;智能优化计算;智能优化计算;智能优化计算;智能优化计算;智能优化计算;智能优化计算;智能优化计算;智能优化计算;智能优化计算;智能优化计算;智能优化计算;智能优化计算;智能优化计算;智能优化计算;智能优化计算;智能优化计算;智能优化计算;智能优化计算;智能优化计算;智能优化计算