蚁群算法简介(修改稿9.4)培训材料.pptVIP

武汉科技大学工业工程 LOGO 蚁群算法 主讲人：雷喆 2 蚁群算法概念 2.1 蚁群算法原理 2.2 简化的蚂蚁寻食过程 2.3 人工蚁群算法 2.1 蚁群算法原理 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够感知这种物质，并以此指导自己的运动方向，因此由大量蚂蚁组成的蚁群集体行为便表现出一种信息正反馈现象：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。 2.2 简化的蚂蚁寻食过程 蚂蚁从A点出发，速度相同，食物在D点，可能随机选择路线ABD或ACD。假设初始时每条分配路线一只蚂蚁，每个时间单位行走一步，本图为经过9个时间单位时的情形：走ABD的蚂蚁到达终点，而走ACD的蚂蚁刚好走到C点，为一半路程。 LC=2LB 2.2 简化的蚂蚁寻食过程 本图为从开始算起，经过18个时间单位时的情形：走ABD的蚂蚁到达终点后得到食物又返回了起点A，而走ACD的蚂蚁刚好走到D点。 假设蚂蚁每经过一处所留下的信息素为一个单位，则经过36个时间单位后，所有开始一起出发的蚂蚁都经过不同路径从D点取得了食物，此时ABD的路线往返了2趟，每一处的信息素为4个单位，而 ACD的路线往返了一趟，每一处的信息素为2个单位，其比值为2：1。 寻找食物的过程继续进行，则按信息素的指导，蚁群在ABD路线上增派一只蚂蚁（共2只），而ACD路线上仍然为一只蚂蚁。再经过36个时间单位后，两条线路上的信息素单位积累为12和4，比值为3：1。 若按以上规则继续，蚁群在ABD路线上再增派一只蚂蚁（共3只），而ACD路线上仍然为一只蚂蚁。再经过36个时间单位后，两条线路上的信息素单位积累为24和6，比值为4：1。 若继续进行，则按信息素的指导，最终所有的蚂蚁会放弃ACD路线，而都选择ABD路线。这也就是前面所提到的正反馈效应。 案例注释： 2.3 人工蚁群算法 基于以上蚁群寻找食物时的最优路径选择问题，可以构造 人工蚁群，来解决最优化问题，如TSP问题。 人工蚁群中把具有简单功能的工作单元看作蚂蚁。二者的 相似之处在于都是优先选择信息素浓度大的路径。较短路径的 信息素浓度高，所以能够最终被所有蚂蚁选择，也就是最终的 优化结果。 两者的区别在于人工蚁群有一定的记忆能力，能够记忆已 经访问过的节点。同时，人工蚁群再选择下一条路径的时候是 按一定算法规律有意识地寻找最短路径，而不是盲目的。例如 在TSP问题中，可以预先知道当前城市到下一个目的地的距离。 2.4 蚁群算法与TSP问题 TSP问题表示为一个N个城市的有向图G=（N，A）， 其中 城市之间距离 目标函数为 ， 其中 为城市1,2，…n的 一个排列， 。 每只蚂蚁的一步转移概率由图中的每条边上的两类参数决定：1 信息素值τ，也称信息素痕迹。2 可见度η，即先验值。 信息素的更新方式有2种，一是挥发，也就是所有路径上的信息素以一定的比率进行减少，模拟自然蚁群的信息素随时间挥发的过程；二是增强，给评价值“好”(有蚂蚁走过)的边增加信息素。 2.5 一般蚁群算法的框架 一般蚁群算法的框架主要有三个组成部分： 蚁群的活动； 信息素的挥发； 信息素的增强； 主要体现在转移概率公式和信息素更新公式。 转移概率公式： 信息素更新公式： 基本蚁群算法的数学模型 TSP (Traveling Salesman Problem) TSP简单形象描述 给定n个城市，一个旅行商从某一城市出发，访问各城市一次且仅有一次后再回到原出发城市，要求找出一条最短的巡回路径 可分为对称TSP (Symmetric Traveling Salesman Problem) 和非对称TSP (Asymmetric Traveling Salesman Problem) TSP是NP-C问题 n城市规模的TSP，存在(n-1)!/2条不同闭合路径。 基本蚁群算法数学模型 设bi(t)表示t时刻位于元素i的蚂蚁数目，τij (t)为t时刻路径(i