第十章群集智能与蚁群算法培训.ppt

搜寻过程－经过10代 搜寻过程－经过15代 搜寻过程－经过20代 搜寻过程－经过25代 局部搜索( )的计算 局部搜索 采用的是贪心策略 基本思路：每一步均从当前可选择策略中选取，使目标函数值增加最少的策略，即在确定第j个位置组装的车型时，如果有多种车型可供选择，则从中选择一种车型i，使第j个位置组装车型i时各零部件的使用速率最为均匀。 状态转移概率 状态转移概率公式如下 信息素更新规则 LB表示目标函数的下限值 表示当前目标函数的平均值 Zcutr表示当前的目标函数值 这种动态标记的方法可在搜索过程中加大可行解间信息素的差别，避免算法早熟 实验数据 实验参数设置 蚂蚁系统 蚂蚁数量N_ant = 5 最大循环周期Ncmax = 400 = 0.2 Q = 20000 = 0.9 LB = 0.0 蚁群系统 q0 = 0.5 全局更新规则中的 和局部更新规则中的 均取0.1 实验参数设置 最大-最小蚂蚁系统 选取全局最优解 带有精英策略的蚂蚁系统 精英蚂蚁数量:1只 实验结果 实验结果分析 直接用贪心策略求解结果： 3293.4375 蚂蚁系统求解SMMAL问题的性能较差 对于这个具体的问题，带精英策略的蚂蚁系统的求解性能并不好于蚂蚁系统 蚁群系统的性能相对于前两者而言，有了很大幅度的提高 最大-最小蚂蚁系统的性能最好，大多数情况下的求解结果已达到实际的最优解 实验界面 实验界面 蚁群系统在TSP问题中的应用 10城市TSP问题 20城市TSP问题 蚁群系统在TSP问题中的应用 30城市TSP问题 48城市TSP问题 Questions? 第4节 粒子群优化 粒子群优化(Particle Swarm Optimization, PSO)，又称微粒群算法，是由J. Kennedy和RC Eberhart等于1995年开发的一种演化 机制。 粒子(particle)”是一个折衷的选择,因为既需要 将群体中的成员描述为没有质量、没有体积的,同时也需要描述它的速度和加速状态。 Particle Swarm Optimization (PSO) applies to concept of social interaction to problem solving. It was developed in 1995 by James Kennedy and Russ Eberhart [Kennedy, J. and Eberhart, R. (1995). “Particle Swarm Optimization”, Proceedings of the 1995 IEEE International Conference on Neural Networks, pp. 1942-1948, IEEE Press.] (/members/payman/swarm/kennedy95-ijcnn.pdf ) 粒子群优化Swarm Topology In PSO, there have been two basic topologies used in the literature Ring Topology (neighborhood of 3) Star Topology (global neighborhood) I4 I0 I1 I2 I3 I4 I0 I1 I2 I3 特点 分布式搜寻 具记忆性 组件较少，容易实现 适合在连续性的范围内搜寻 演算法介绍 每个寻优的问题解都被想象成一只鸟，我们也称为“Particle”。 所有的Particle 都有一个fitness function 以判断目前的位置之好坏， 每一个Particle必须赋予记忆性，能记得所搜寻到最佳位置。 每一个Particle 还有一个速度以决定飞行的距离与方向。 粒子群优化:The Anatomy of a Particle A particle (individual) is composed of: Three vectors: The x-vector records the current position (location) of the particle in the search space, The p-vector records the location of the best solution found so far by the particle, and The v-vector contains a gradient (direction) for which par