蚁群算法-final1技术介绍.pptVIP

蚁群算法的应用 蚁群算法及其应用 指导老师： 付学良 小组成员： 李蕾、桂涛、翟林、刘恒 2012年7月7日 算法的背景与意义 一 国内外研究现状 二 研究内容与方法 三 蚁群算法的应用 四 预期结果 五 算法背景与意义 背景 2001年至今 1996年-2001年 意大利学者 Dorigo1991年 启发 各种改进算法的提出，应用领域更广 引起学者关注，在应用领域得到拓宽 ACO首次被系统的提出 自然界中真实蚁群集体行为 Macro Dorigo 从自然界中蚁群的的觅食行为中受启发，M Dorigo于20世纪90年代处提出了蚁群系统。针对该算法的不足，一些学者提出了许多改进的蚁群优化算法，如蚁群系统，最大-最小蚂蚁系统，最优保留蚁群系统等。近年来，一些学者提出了蚁群优化元启发式这一求解复杂问题的统一框架，这一框架为蚁群优化算法的理论研究和设计提供了技术上的保障。 我国最早研究蚁群算法的是东北大学的张纪会博士和徐心和教授。 背景 有学者通过对比实验发现，在组合优化问题中，蚁群算法的优化性能要好于遗传算法等算法。 蚁群算法是一种基于种群的启发式搜索算法 。蚁群算法广泛应用于求解TSP问题，Job-Shop调度问题，二次指派问题，背包问题等。 蚁群算法 是一种很有发展 前景的优化算法 意义 国内外研究现状 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。它由Marco Dorigo于1992年在他的博士论文中提出，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。 什么是蚁群算法 信息素：信息素多的地方显然经过这里的蚂蚁多，因而会有更多的蚂蚁聚集过来。 正反馈现象：某一路径上走过的蚂蚁越多，则后来者选择该路径的概率就越大。 蚂蚁如何找到最短路径 当蚂蚁沿着一条路到达终点以后会马上返回来，这样，短的路蚂蚁来回一次的时间就短，这也意味着重复的频率就快，因而在单位时间里走过的蚂蚁数目就多，洒下的信息素自然也会多，自然会有更多的蚂蚁被吸引过来，从而洒下更多的信息素……；而长的路正相反，因此，越来越多地蚂蚁聚集到较短的路径上来，最短的路径就近似找到了。 蚁群算法的基本思想 蚂蚁系统是最早的蚁群优化算法。蚂蚁算法在解决一些小规模的TSP问题时的表现尚可令人满意。但随着问题规模的扩大，蚂蚁系统很难在可接受的循环次数内找出最优解。 蚁群系统做了三个方面的改进：状态转移规则为更好更合理地利用新路径和利用关于问题的先验知识提供了方法；全局更新规则只应用于最优的蚂蚁路径上；在建立问题解决方案的过程中，应用局部信息素更新规则。 蚁群算法将蚂蚁的搜索行为集中到最优解的附近可以提高解的质量和收敛速度，从而改进算法的性能。但这种搜索方式会使早熟收敛行为更容易发生。 MMAS能将这种搜索方式和一种能够有效避免早熟收敛的机制结合在一起，从而使算法获得最优的性能 1.基本蚁群算法 2.蚁群系统 3.最大-最小蚂蚁系统 基本蚁群算法以及改进算法 基本蚁群算法 蚂蚁k(k=1,2，…,m)根据各个城市间连接路径上的信息素浓度决定其下一个访问城市，设Pijk(t)表示t时刻蚂蚁k从城市i转移到城市j的概率，其计算公式为： 信息更新公式为： 基本蚁群算法 针对蚂蚁释放信息是问题，M.Dorigo等人曾给出3中不同的模型，分别为蚁周系统、蚁量系统和蚁密系统，其计算公式如下： 1.蚁周系统模型 2.蚁量系统模型 3.蚁密系统模型 蚁群系统 蚁群系统(Ant Colony System, ACS)是由Dorigo和Gambardella在1996年提出的 蚁群系统做了三个方面的改进： 状态转移规则为更好更合理地利用新路径和利用关于问题的先验知识提供了方法 全局更新规则只应用于最优的蚂蚁路径上 在建立问题解决方案的过程中，应用局部信息素更新规则 蚁群系统状态转移规则 一只位于节点r的蚂蚁通过应用下式给出的规则选择下一个将要移动到的城市s 其中，S根据下列公式得到 蚁群系统状态转移规则 q是在[0,1]区间均匀分布的随机数 q0的大小决定了利用先验知识与探索新路径之间的相对重要性。 上述状态转移规则被称为伪随机比例规则 特点：倾向于选择短的且有着大量信息素的边作为移动方向 蚁群系统全局更新规则 只有全局最优的蚂蚁才被允许释放信息素 目的：使蚂蚁的搜索主要集中在当前循环为止所找出的最好路径的领域内 全局更新在所有蚂蚁都完成它们的路径之后执行，使用下式对所建立的路径进行更新 蚁群系统全局更新规则 为信息素挥发参数，0 1 为到目前为止找出的全局最优路径 全局更新规则的另一个类型称为迭代最优 区别:使用 代替 ， 为当前迭代(循环)中的最优路