蚁群算法简述研究报告.pptVIP

蚁群算法简述 1.蚁群算法的提出 2.蚁群算法的特征 3.蚁群算法的数学模型 4.蚁群算法的模型类型 5.蚁群算法的优缺点 6.蚁群算法所解决的问题 7.蚁群算法的应用 8.蚁群算法的研究方向（发展方向） 1.蚁群算法的提出 算法的提出 蚁群算法（Ant Colony Optimization, ACO），又称蚂蚁算法——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“Ant system: optimization by a colony of cooperating agents”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。最早用于解决著名的旅行商问题(TSP , traveling salesman problem)。 1.蚁群算法的提出 概念原型 各个蚂蚁在没有事先告诉他们食物在什么地方的前提下开始寻找食物。 当一只找到食物以后，它会向环境释放一种挥发性分泌物pheromone (称为信息素,该物质随着时间的推移会逐渐挥发消失，信息素浓度的大小表征路径的远近)来实现的，吸引其他的蚂蚁过来，这样越来越多的蚂蚁会找到食物。 有些蚂蚁并没有象其它蚂蚁一样总重复同样的路，他们会另辟蹊径，如果另开辟的道路比原来的其他道路更短，那么，渐渐地，更多的蚂蚁被吸引到这条较短的路上来。 最后，经过一段时间运行，就可能会出现一条最短的路径被大多数蚂蚁重复着。 1.蚁群算法的提出 基本原理 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。 1.蚁群算法的提出 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。 1.蚁群算法的提出 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。 1.蚁群算法的提出 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。 2.蚁群算法的特征 蚁群算法采用了分布式正反馈并行计算机制, 易于与其他方法结合, 并具有较强的鲁棒性。 （1）其原理是一种正反馈机制或称增强型学习系统；它通过信息素的不断更新达到最终收敛于最优路径上； （2）它是一种通用型随机优化方法；但人工蚂蚁决不是对实际蚂蚁的一种简单模拟，它融进了人类的智能； （3）它是一种分布式的优化方法；不仅适合目前的串行计算机，而且适合未来的并行计算机； （4）它是一种全局优化的方法；不仅可用于求解单目标优化问题，而且可用于求解多目标优化问题； （5）它是一种启发式算法；计算复杂性为 O(NC*m*n2)，其中NC 是迭代次数，m 是蚂蚁数目，n 是目的节点数目。 2.蚁群算法的特征 下面是对蚁群算法的进行过程中采用的规则进行的一些说明。 范围 蚂蚁观察到的范围是一个方格世界，蚂蚁有一个参数为速度半径（一般是3），那么它能观察到的范围就是3*3个方格世界，并且能移动的距离也在这个范围之内。 环境 蚂蚁所在的环境是一个虚拟的世界，其中有障碍物，有别的蚂蚁，还有信息素，信息素有两种，一种是找到食物的蚂蚁洒下的食物信息素，一种是找到窝的蚂蚁洒下的窝的信息素。每个蚂蚁都仅仅能感知它范围内的环境信息。环境以一定的速率