蚁群算法 原理 应用 综述研究报告.ppt

2)蚁群算法是一种本质上并行的算法。 每只蚂蚁搜索的过程彼此独立，仅通过信息激素进行通信。所以蚁群算法则可以看作是一个分布式的多agent系统，它在问题空间的多点同时开始进行独立的解搜索，不仅增加了算法的可靠性，也使得算法具有较强的全局搜索能力。 3)蚁群算法是一种正反馈的算法。 从真实蚂蚁的觅食过程中我们不难看出，蚂蚁能够最终找到最短路径，直接依赖于最短路径上信息激素的堆积，而信息激素的堆积却是一个正反馈的过程。对蚁群算法来说，初始时刻在环境中存在完全相同的信息激素，给予系统一个微小扰动，使得各个边上的轨迹浓度不相同，蚂蚁构造的解就存在了优劣，算法采用的反馈方式是在较优的解经过的路径留下更多的信息激素，而更多的信息激素又吸引了更多的蚂蚁，这个正反馈的过程使得初始的不同得到不断的扩大，同时又引导整个系统向最优解的方向进化。因此，正反馈是蚂蚁算法的重要特征，它使得算法演化过程得以进行。 4)蚁群算法具有较强的鲁棒性。 相对于其它算法，蚁群算法对初始路线要求不高，即蚁群算法的求解结果不依赖子初始路线的选择，而且在搜索过程中不需要进行人工的调整。其次，蚁群算法的参数数目少，设置简单，易于蚁群算法应用到其它组合优化问题的求解。 * * 蚁群算法 目录 1、蚂蚁生物学特征 2、起源. 定义. 应用 3、原理. 规则. 特征 4、建模. 实现. 评价  蚂蚁在8000万年前就建立起了自己的社会。许多“蚂蚁城市”往往由5000万个成员组成，并且是一个组织完好的复杂“城市”。 蚂蚁生物学特征 蚂蚁的群体行为主要包括寻找食物、任务分配和构造墓穴。 研究中主要是以蚂蚁寻找食物之后能选择一条最短路劲来连接蚁穴和食物源。 为了研究在受约束条件下蚂蚁的觅食行为，Deneubourg等人曾提出了双桥实验。 公式表明：往A走的蚂蚁越多，选择分支A的概率就越高“n”决定选择公式的非线性程度。（n越大，信息素多一点的分支选择概率越高）“k”表示对未标记的分支的吸引程度。（k越大，越多的信息素使选择非随机化） 蚂蚁具有智能么？ 生物学家通过对蚂蚁的长期观察研究发现，每只蚂蚁的智能并不高，看起来没有集中的指挥，但他们却能协同的工作，集中食物建立起稳固的蚁穴，依靠群体的能力发挥出了超出个体的智能。 思想起源 蚂蚁寻找食物的群体行为，意大利学者Dorigo.M等，于1991年在法国巴黎召开的第一觉欧洲人工生命会议上最早提出了蚁群算法的基本模型，1992年Dorigo.M又在其博士论文中进一步阐述了蚁群算法的核心思想。 定义 蚁群算法(ant colony optimization, ACO)，又称蚂蚁算法，是一种用来在图中寻找优化路径的机率型算法。 这种算法具有分布计算、信息正反馈和启发式搜索的特征，本质上是进化算法中的一种新型的启发式优化算法。 人工蚁群与真实蚂蚁的异同比较 蚁群算法都是从自然界中真实蚂蚁寻找食物行为得到启发提出来的。人们只有通过对蚁群行为的一种模拟来满足实际问题的求解需要。所以人工蚁群与真实蚁群之间存在一定的异同。 相同点 1、都存在一个群体中个体相互交流通信的机制 2、都要完成一个相同的任务 3、利用当前信息进行路径选择的随机选择策略 不同点 1、人工蚂蚁他们的移动是从一个状态到另一个 状态的转换 2、人工蚂蚁具有一个记忆其本身过去行为的内在状态 3、人工蚂蚁存在于一个与时间无关联的环境之中 4、人工蚁不是盲从的，受环境空间的启发 5、人工蚁可以根据要求增加功能 应用 首次将蚁群算法应用于TSP以来，国内外许多学者对其进行了大量的研究工作，将其推广到诸多优化领域，并取得了丰富的研究成果。 如：车间作业调度问题、网络路由问题、车辆路径问题、机器人领域、电力系统、故障诊断、控制参数优化、岩土工程、生命科学等若干领域。 原理 蚂蚁在运动过程中会通过在路上释放一种特殊的分泌物——信息素来寻找路径。当它碰到一个还没有走过的路口是就随机的选择一条路径前行，同时释放出与路径长度有关的信息素。蚂蚁走的路越长，则释放的信息量越小。当后来的蚂蚁再次碰到这个路口时，选择信息量较大的路径的概率相对较大，这样便形成了一个正反馈机制。最优路径上得信息量越来越大，而其他路径上的信息量却随时间逐渐减少最终整个蚁群会找出最优路径。 蚁群算法的理论假设 1、蚁群之间通过信息素和环境进行通信。 2、蚂蚁对环境的反应由其内部模式决定。 3、个体水平上，每个蚂蚁相对独立；群体水平 上，每只蚂蚁的行为是随机的。 同时蚁群算法