群智能蚁群算法及其改进策略研究.docVIP

群智能蚁群算法及其改进策略研究 　　摘要：本文首先介绍了群智能理论的产生、蚁群的觅食行为以及蚂蚁的信息系统，其次介绍了蚁群算法的基本原理以及基本模型。最后对蚁群算法的改进策略和未来的发展方向进行了探讨。 　　关键词：蚁群算法；蚂蚁系统；信息素；改进算法 　　中图分类号：TP183文献标识码：A文章编号：1009-3044(2008)15-20ppp-0c 　　 　　Research on Ant Colony Algorithm Based on Swam Intelligence and its Improve Algorithm 　　BAO Dan-dan,WANG Hong 　　(College of Computer Science,South-central University for Nationalities,Wuhan 430074,China) 　　Abstract:A survey of origin of swam intelligence are presented in this paper.At first ant colonies foraging behavior and their communication system are briefly introduced.then the basic principle and the basic model of artificial ant colony algorithm is presented.Finally the improve algorithm about ACA and the future works are discussed. 　　Key words:Ant Colony Algorithm;ant system;pheromone;Improve algorithm 　　 　　1 引言 　　 　　群智能(Swarm Intelligence,SI)的概念最早由Beni,Hack-wood和wang在分子自动机系统中提出。群智能的一种定义是：任何一种由昆虫群体或其它动物社会行为机制而激发设计出的算法或分布式解决问题的策略均属于群智能。这里，Swarm可被描述为一些相互作用相邻个体的集合体，蜂群、蚁群、鸟群都是Swarm的典型例子。每只蚂蚁的智能并不高，但它们却能协同工作，依靠群体能力发挥出超出个体的智能，且这种能力不是多个个体之间的能力通过简单叠加所获得的，其根本原因在于个体之间存在着信息交互能力。信息的交互过程不仅仅在群体内传播了信息,而且群内个体还能处理信息，这样就使得群体涌现出一些单个个体所不具备的能力和特性尤其是对环境的适应能力。这种对环境变化所具有的适应能力可以被认为是一种智能，也就是说动物个体通过聚集成群而涌现出了智能。 　　生物学家和仿生学家观察研究发现，蚂蚁在觅食走过的路径上释放一种特有的分泌物―信息素(Pheromone)，蚂蚁个体之间正是通过这种信息素传递信息，从而相互协作，完成从蚁穴到食物源寻找最短路径的复杂任务。从蚂蚁群体寻找最短路径觅食行为受到启发，意大利学者Dorigo等人1991年提出了一种模拟自然界蚁群行为的模拟进化算法―人工蚁群算法，简称蚁群算法。蚁群算法(ant colony algorithm,ACA)是最新发展起来的模拟昆虫王国中蚂蚁群体智能行为的仿生优化算法，它具有较强的鲁棒性、优良的分布式计算机制、易于与其它方法相结合等优点。 　　 　　2 蚁群算法的基本原理 　　 　　蚁群算法不需要任何先验知识，最初只是随机选择搜索路径，随着对解空间的“了解”，搜索变得有规律，并逐渐逼近直至最终达到全局最优解。蚁群算法对搜索空间的“了解”机制主要包括三个方面[1]： 　　⑴蚂蚁的记忆。一只蚂蚁搜索过的路径在下次搜索时候不会再被选择，由此在蚁群算法中建立tabu（禁忌）列表来进行模拟。 　　⑵蚂蚁利用信息素(pheromone)进行相互通信。蚂蚁在所选择的路径上会释放一种叫做信息素的物质，当同伴进行路径选择时，会根据路径上的信息素进行选择，这样信息素就成为蚂蚁之间进行通讯的媒介。 　　⑶蚂蚁的集群活动。通过一只蚂蚁的运动很难到达食物源，但整个蚁群进行搜索就完全不同，当某些路径上通过的蚂蚁越来越多时，在路径上留下的信息素数量也越来越多，导致信息素强度增大，蚂蚁选择该路径的概率随之增加，从而进一步增加该路径的信息素强度，而某些路径上通过的蚂蚁较少时，路径上的信息素就会随时间的推移而蒸发，因此，模拟这种现象即可利用群体智能建立路径选择机制，使蚁群算法的搜索向最优解推进。 　　 　　蚁群算法所利用的搜索机制呈现出一种自催化或正反馈的特征，因此，可将蚁群算