模拟进化算法新相关发展.ppt

第六章 模拟进化算法的新近发展 模拟进化算法实际上是一种非常宏观意义下的仿生计算技术，它模拟的是一切生命与智能生成与进化过程。这种技术不仅仅包含到目前为止我们所讨论的遗传算法等。本章目的在于向大家简单介绍国内外新近发展起来，并正在受到广泛关注的几类新模拟进化算法。 §1 蚁群算法 蚁群算法是由Colorni和Dorigo等人提出的一类模拟自然界蚁群行为的模拟进化算法。 这类算法主要基于以下的观察：像蚂蚁这类群居昆虫，虽然没有视觉且单个行为极其简单，但由这些简单个体所组成的群体却常常表现出令人称奇的行为——能够在复杂的环境下最终找到从蚁穴到食物源的最短路径。 蚂蚁在运动过程中能够在它所经过的路径上留下信息素，而且在运动过程中感知这种信息素的存在及其强度，并以此指导自己的运动方向。蚂蚁倾向于朝着信息素强度高的方向前进，因此，由大量蚂蚁组成的蚁群的行为便表现出一种信息的正反馈现象：某一路径上走过的蚂蚁越多，则后者选择该路径的概率就越大。蚁群就是通过个体之间这种信息交换机制来彼此协作达到搜索食物的目的。 蚁群彼此协作所表现出的“智能”行为还显现在它们对环境的自适应性上：当在运动过程中突遇障碍时，它们能够躲过障碍而很快找到满足约束条件的最优路径。 蚁群通过信息交换与相互协作找到从蚁穴到食物源最短路径的机制，可以数学化来求解图上各种与最优路径相关的组合优化问题。我们可以将“跨越障碍”对应为所求问题的某种启发式信息（指明满足约束的可能选择），而将信息素对应为所选择路段对整体最优解的贡献程度。 例：考虑n个城市的TSP问题（ 分别表示城市编号 ）。下面 说明用蚁群行为来搜索通过这n个城市各一次且最后回到出发地的最短路径。 假定：m是蚁群的数量， 表示城市 与 间的距离（假定 ，考虑对称TSP问题）， 表示t时刻位于城市 的蚂蚁数量。 表示问题在t时刻所能提供的某种启发式信息，而 表示t时刻蚁群在 连线上所放置的信息素。初始时刻，蚁群中的蚂蚁可随机放置，此时设各路径上的信息素恒等（如 为某一预设常数）。 蚂蚁 在运动过程中将根据各条路径上的信息量（信息素含量）与启发式信息（即环境因素）来决定其转移概率。例如，设 表示t时刻蚂蚁 由位置 移到位置 的概率，则可令 这里， 为参数， 表示蚂蚁 下一步允许选择的城市，而 是蚂 蚁 到目前为止已走过的城市（与实际不同，人工蚂蚁要求具有一定的记忆功能）。 每一只蚂蚁都按照上式的概率来决定它的位置转移。当蚂蚁完成一次循环（即完成一个闭合路径，或产生一个完整可能路径），各路径上的信息量将依据一定的规则调整，以体现整个蚁群在该路径上所留下的信息素。如以 表示其消失程度，则整个蚁群完成一次循环后，各路径上的信息量可依下式调整： 其中 表示第 只蚂蚁在本次循环中留在路径 上的信息量。如可取 其中 表示第 只蚂蚁所走路径长度。 启发式信息 常在这种应用情形反映人们对从城市 转移到城市 的期望程度，可根据某种启发式算法具体确定。为理论上的方便我们可取 在对各参数 合适选择之后，上述模拟蚁群寻食过程便自然形成一个求解TSP问题的仿生算法。 步骤2（模拟演化）执行以下操作： （1）选择 从 中依其目标函数值选择出n只蚂蚁（例如可择优选择）组成第 代父代蚁群。 （2）重组 1）设信息量 ，其中 这里 是反映 作为问题解质量的评价，如 ， 是蚂蚁 所产生解的路径长度。 2）令 3）以适当方式获得启发式信息 。 4）独立、重复地以概率 随机产生蚂蚁 ，由此组成第 代蚁群 步骤3（终止检验）如解已达到精度要求，或已达到预设进化时限，则停机，输出 中最好的个体为问题近似解；否则，对于