蚁群算法-1.pptVIP

* 武汉理工大学 能源与动力工程学院 蚁群算法 蚁群算法起源 20世纪90年代意大利学者M.Dorigo等从生物进化的机制中受到启发，通过模拟自然界蚂蚁搜索路径的行为，提出来一种新型的模拟进化算法—— 蚁群算法，是群智能理论研究领域的一种主要算法。虽然研究时间不长，但是现在的研究显示出，蚁群算法在求解复杂优化问题（特别是离散优化问题）方面有一定优势，表明它是一种有发展前景的算法。 M.Dorigo 蚁群算法研究背景 群智能理论研究领域有两种主要的算法：蚁群算法(Ant Colony Optimization, ACO)和微粒群算法（Particle Swarm Optimization, PSO）。前者是对蚂蚁群落食物采集过程的模拟，已成功应用于许多离散优化问题。微粒群算法也是起源于对简单社会系统的模拟，最初是模拟鸟群觅食的过程，但后来发现它是一种很好的优化工具。 蚁群算法仿生学原理 蚁群算法是对自然界蚂蚁的寻径方式进行模似而得出的一种仿生算法。蚂蚁在运动过程中，能够在它所经过的路径上留下一种称之为外激素(pheromone)的物质进行信息传递，而且蚂蚁在运动过程中能感知这种物质，并以此指导自己的运动方向，由大量蚂蚁组成的蚁群行为表现出一种信息正反馈现象：某一路径经过的蚂蚁越多，则后来者选择该路径的概率就越大。 原因：当蚂蚁碰到一个未走过的路口时，就随机地挑选一条路前行。与此同时释放出可以衰减的信息素。路径越长，在衰减作用下，信息素浓度越低。当后来的蚂蚁再次碰到这个路口时，选择信息素浓度较高路径概率的就会相对较大。这样形成一个正反馈。最优路径上的信息素浓度越来越大．而其它的路径上信息素浓度却会随着时间流逝而消减。最终整个蚁群会找出最优路径。 蚁群算法研究背景 群智能与大多数基于梯度的应用优化算法不同，群智能依靠的是概率搜索算法。虽然概率搜索算法通常要采用较多的评价函数，但是与梯度方法及传统的演化算法相比，其优点还是显著的 ，主要表现在以下几个方面： 1) 无集中控制约束，不会因个别个体的故障影响整个问题的求解，确保了系统具备更强的鲁棒性; 2) 以非直接的信息交流方式确保了系统的扩展性; 3) 并行分布式算法模型，可充分利用多处理器; 4) 对问题定义的连续性无特殊要求; 5) 算法实现简单。 蚁群算法仿生学原理 人工蚁与真实蚂蚁的区别 蚁群算法中的人工蚁具有真实蚂蚁所不具备的行为特征，主要有以下五个方面: 1) 人工蚁生活在离散的世界中，它们的移动实质上使由一个离散状杰到另一个离散状态的跃迁。 2) 人工蚁拥有一个内部的状态，这个私有的状态记忆了蚂蚁过去的行为。 3) 人工蚁释放一定量的信息素，它是蚂蚁所建立的问题解决方案优劣程度的函数。 4) 人工蚁释放信息素的时间可以视情况而定，而真实蚂蚁是在移动的同时释放信息素。人工蚁可以在建立一个可行的方案之后再进行信息素的更新。 5) 为了提高系统的总体性能，蚂蚁被赋予了很多其他的本领，如前瞻性、局部优化、原路返回等等，这些本领是在真实蚂蚁中找不到的。 基本蚁群算法原理 TSP问题描述：设C={C1, C2, …, Cn}为n个城市的集合，求解的目的就是找出对C={C1, C2, …, Cn}中n个城市访问且只访问一次的最短封闭路径。此处仅讨论对称TSP问题，即 。 为描述基本蚁群算法，引入下列记号： 基本蚁群算法原理 每只蚂蚁都具有以下特性: 1)完成一次循环后，蚂蚁在其访问过的每条边上留下相应的信息素; 2)蚂蚁依据节点转移概率选择下一个访问的城市，这个概率是两城市间距离以及连接两个城市的边上信息量的函数; 3)为了满足问题的约束条件，在完成一次循环之前，不允许蚂蚁选择己经访问过的城市，该过程由蚂蚁的禁忌表来控制。设tabuk为蚂蚁k的禁忌表，则蚂蚁在经过城市i以后，就将城市i加入到自己的禁忌表tabuk中，表示下次不能再选择城市i。用tabuk(s)表示禁忌表中第s个元素，也即蚂蚁走过的第s个城市。 基本蚁群算法原理 AS（Ant System）算法描述如下: 1)算法初始时刻，将m只蚂蚁随机的放到n个城市，同时将每只蚂蚁的第一个元素设置为当前所在的城市。初始时刻，各路径上的信息素相等，即 2) t时刻，每只蚂蚁按照