第二章_蚁群算法精品.pptVIP

智能优化计算 信息素的分布 2.3 基本蚁群优化算法 2.3.2 蚂蚁系统的参数设置和基本属性 * 智能优化计算 信息素的分布 蒸发系数的影响： 2.3 基本蚁群优化算法 2.3.2 蚂蚁系统的参数设置和基本属性 ρ＝0.05 ρ＝0.95 * 智能优化计算 参数α、 β对算法性能的影响 停滞现象（Stagnation behavior）：所有蚂蚁都选择相同的路径，即系统不再搜索更好的解。 原因在于较好路径上的信息素远大于其他边上的，从而使所有蚂蚁都选择该路径。 2.3 基本蚁群优化算法 2.3.2 蚂蚁系统的参数设置和基本属性 * 智能优化计算 参数α、 β对算法性能的影响 α取较大值时，意味着在选择路径时，路径上的信息素非常重要；当α取较小值时，变成随机的贪婪算法。 2.3 基本蚁群优化算法 2.3.2 蚂蚁系统的参数设置和基本属性 * 智能优化计算 参数α、 β对算法性能的影响 α＝0，蚂蚁之间无协同作用；α＝1，有协同作用 2.3 基本蚁群优化算法 2.3.2 蚂蚁系统的参数设置和基本属性 α＝0 α＝1 * 智能优化计算 蚂蚁数m对算法的影响 m≈n时，ant-cycle可以在最少迭代次数内找到最优解。 2.3 基本蚁群优化算法 2.3.2 蚂蚁系统的参数设置和基本属性 m＝15 m＝150 m＝30 * 智能优化计算 蚂蚁的初始分布 两种情况实验： （1）所有蚂蚁初始时刻放在同一城市； （2）蚂蚁分布在不同城市中。 第（2）中情况可获得较高性能。 （3）在不同城市分布时，随机分布与统一分布的差别不大。 2.3 基本蚁群优化算法 2.3.2 蚂蚁系统的参数设置和基本属性 * 智能优化计算 优点 较强的鲁棒性； 分布式计算； 易于与其他方法结合。 缺点 搜索时间较长； 容易出现停滞现象。 2.4 改进的蚁群优化算法 2.4.1 蚂蚁系统的优点与不足 * 智能优化计算 最优解保留策略（Ant System with Elitist, ASelite） 每次迭代完成后，对全局最优解更进一步地进行利用； 信息素更新策略 σ为最优蚂蚁数，Lgb为全局最优解。 2.4 改进的蚁群优化算法 2.4.2 最优解保留策略蚂蚁系统 * 智能优化计算 最优解保留策略（Ant System with Elitist, ASelite） 该策略能够以更快的速度获得最好解，但是如果选择的精英过多则算法会由于较早收敛于局部次优解而导致搜索的过早停滞。 2.4 改进的蚁群优化算法 2.4.2 最优解保留策略蚂蚁系统 * 智能优化计算 蚁群系统（Ant Colony System, ACS）的改进之处 （1）在选择下一城市时，更多地利用了当前最好解； （2）只在全局最优解所属边上增加信息素； （3）每次蚂蚁从城市 i 转移到城市 j 时，边 ij 上的信息素将会适当减少，从而实现一种信息素的局部调整以减少已选择过的路径再次被选择的概率。 2.4 改进的蚁群优化算法 2.4.3 蚁群系统 * 智能优化计算 可行解的构造 伪随机比率选择规则： 蚂蚁以概率q0（0～1间的常数）移动到最大可能的城市 q为0～1的随机数，S为一随机变量，当q q0时，S以以下概率来选择： 2.4 改进的蚁群优化算法 2.4.3 蚁群系统 * 智能优化计算 局部信息素更新 使已选的边对后来的蚂蚁具有较小的影响力，从而使蚂蚁对没有选中的边有更强的探索能力。 当蚂蚁从城市i转移到城市j后，边ij上的信息素更新为： 其中，τ0为常数， ξ∈(0,1)为可调参数。 2.4 改进的蚁群优化算法 2.4.3 蚁群系统 * 智能优化计算 全局信息素更新 只针对全局最优解进行更新： 2.4 改进的蚁群优化算法 2.4.3 蚁群系统 * 智能优化计算 最大－最小蚂蚁系统（max-min ant system, MMAS）的改进之处 （1）每次迭代后，只有最优解（最