第七讲 蚁群算法培训资料.ppt

GBAS算法的收敛性分析 5/8 则 取对数有 从而得到 GBAS算法的收敛性分析 6/8 证明右式成立 随机过程 以概率1达到一条最优路径.当某条最优路径Z在第k次循环被首次走到后,在第k+1轮循环按信息素的更新原则,可以用归纳法证明,对于任意 GBAS算法的收敛性分析 7/8 由于级数 是发散的,可知 .因此,当 时,在第K轮迭代之后,该弧永远不再被加强,从而有 也既 弧上的信息素之和将趋于0. 对于信息素的更新公式(2),可以归纳证明 (6)式的第二项与(i,j)弧无关,结合(7)式可得 的极限存在,且所有的极限之和为1.对于所有的 GBAS算法的收敛性分析 8/8 结合前两部分讨论,当Xn首次到达最优路径后,对于任何最优路径上的弧,(1)式的转移概率 ,即 依概率1收敛到 . * 其他算法及收敛性分析 1/4 MAX-MIN蚁群优化算法指定挥发系数不随时间变化,这是和GBAS算法不同的一点,改变了信息素挥发和增强的规则(9式)，同时给出一个下界 控制信息素的挥发. 定理 在MAX-MIN算法中, 其他算法及收敛性分析 2/4 其他算法及收敛性分析 3/4 其他算法及收敛性分析 4/4 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，不与蚂蚁数量相关。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。 初始的蚁群优化算法—基于图的蚁群系统（GBAS） 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： 初始的蚁群优化算法—基于图的蚁群系统（GBAS） 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： 初始的蚁群优化算法—基于图的蚁群系统（GBAS） 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W2，这个解是截止到当前的最优解，碰巧是实际 最优解 初始的蚁群优化算法—基于图的蚁群系统（GBAS） 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。 现代优化计算方法 第七讲蚁群算法 主讲教师：朱建明 Email: jmzhu@ Homepage: /~jianming * * 蚁群优化算法 蚁群优化算法概述 蚁群优化算法概念 算法模型和收敛性分析 算法实现的技术问题 蚁群优化算法概述 起源 应用领域 研究背景 研究现状 应用现状 蚁群优化算法起源 20世纪50年代中期创立了仿生学，人们从生物进化的机理中受到启发。提出了许多用以解决复杂优化问题的新方法，如进化规划、进化策略、遗传算法等，这些算法成功地解决了一些实际问题。 20世纪90年代意大利学者M．Dorigo，V．Maniezzo，A．Colorni等从生物进化的机制中受到启发，通过模拟自然界蚂蚁搜索路径的行为，提出来一种新型的模拟进化算法—— 蚁群算法，是群智能理论研究领域的一种主要算法。用该方法求解TSP问题、分配问题、job-shop调度问题，取得了较好的试验结果．虽然研究时间不长，但是现在的研究显示出，蚁群算法在求解复杂优化问题（特别是离散优化问题）方面有一定优势，表明它是一种有发展前景的算法． 蚁群优化算法应用领域 这种方法能够被用于解决大多数优化问题或者能够转化为优化