蚁群算法介绍研究报告.ppt

2.2.5 初始的蚁群优化算法—基于图的蚁群系统（GBAS） 4/12 在STEP 3 中，挥发因子 对于一个固定的 ，满足 并且 经过k次挥发，非最优路径的信息素逐渐减少至消失。 2.2.5初始的蚁群优化算法—基于图的蚁群系统（GBAS） 5/12 以上算法中，在蚂蚁的搜寻过程中，以信息素的概率分布来决定从城市 i到城市j的转移。 算法中包括信息素更新的过程 1 信息素挥发（evaporation） 信息素痕迹的挥发过程是每个连接上的信 息素痕迹的浓度自动逐渐减弱的过程，由 表示，这个 挥发过程主要用于避免算法过快地向局部最优区域集中，有助于搜索区 域的扩展。 2 信息素增强（reinforcement）增强过程是蚁群优化算法中可选的部分， 称为离线更新方式（还有在线更新方式）。这种方式可以实现由单个蚂 蚁无法实现的集中行动。也就是说，增强过程体现在观察蚁群（m只蚂蚁） 中每只蚂蚁所找到的路径，并选择其中最优路径上的弧进行信息素的增强， 挥发过程是所有弧都进行的，不于蚂蚁数量相关。这种增强过程中进行的 信息素更新称为离线的信息素更新。 在STEP 3中，蚁群永远记忆到目前为止的最优解。 图的蚁群系统（GBAS） 6/12 可以验证，下式满足： 即 是一个随机矩阵。 四个城市的非对称TSP问题，距离矩阵和城市图示如下： 2.2.5 初始的蚁群优化算法—基于图的蚁群系统（GBAS） 7/12 假设共4只蚂蚁，所有蚂蚁都从城市A出发，挥发因子 。此时，观察GBAS的计算过程。 矩阵 共有12条弧，初始信息素记忆矩阵为： 2.2.5 初始的蚁群优化算法—基于图的蚁群系统（GBAS） 8/12 执行GBAS算法的步骤2，假设蚂蚁的行走路线分别为： 当前最优解为，这个解是截止到当前的最优解，碰巧是实际 最优解 2.2.5 初始的蚁群优化算法—基于图的蚁群系统（GBAS） 9/12 按算法步骤3的信息素更新规则，得到更新矩阵 这是第一次外循环结束的状态。 2.2.5 初始的蚁群优化算法—基于图的蚁群系统（GBAS） 10/12 重复外循环，由于上一次得到的W2已经是全局最优解，因此按算法步骤3的信息素更新规则，无论蚂蚁如何行走，都只是对W2路线上的城市信息素进行增强，其他的城市信息素进行挥发。得到更新矩阵 这是第一次外循环结束的状态。 2.2.5 初始的蚁群优化算法—基于图的蚁群系统（GBAS） 11/12 重复外循环，由于W2全局最优解，GBAS只记录第一个最优解，因此一但得到了全局最优解，信息素的更新将不再依赖于以群的行走路线，而只是不断增强最优路线的信息素，同时进行挥发。第三次外循环后得到的信息素矩阵为： 2.2.5 初始的蚁群优化算法—基于图的蚁群系统（GBAS） 12/12 蚂蚁以一定的概率从城市i到城市j进行转移，信息素的 更新在STEP 3 完成，并随K而变化。假设第K次外循环后得 到信息素矩阵 ，得到当前最优解 。 第K次循环前的信息素和最优解为 ，经过 第K次外循环后，得到 。由于蚂蚁的一步转移 概率是随机的，从 到 也是随机的，是一个马尔可夫过程。 2.2.6 一般蚁群算法的框架 一般蚁群算法的框架和GBAS基本相同，有三个组成部分： 蚁群的活动； 信息素的挥发； 信息素的增强； 主要体现在前面的算法中步骤2和步骤3中的转移概率公式和信息素更新公式。 2.3 蚁群优化算法—算法模型和收敛性分析 2.3.0 马氏过程的收敛定义 2.3.1 GBAS算法的收敛性分析 2.3.2其他算法及收敛性分析 2.3.0 马氏过程的收敛定义 蚁群优化算法的每步迭代对应随机变量 其中 为信息素痕迹； 为n城市的一个排列，最多有 个状态。第s只蚂蚁在第k轮转移只由 决定，这个蚂蚁行走的路径和 一起，共同决定了 ，再通过信息素的更新原则可以进一步得到 。 的变化仅由 决定，而与先前的状态无关，这是一个典型的马尔可夫过程。 定