06优化算法及在软测量技术中的应用.pptVIP

6.4 蚁群算法 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。 6.4 蚁群算法 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，且有 6.4 蚁群算法 蚁群算法与TSP问题： ◆ TSP问题的人工蚁群算法中，假设m只蚂蚁在图的相邻节点间移动，从而协作异步地得到问题的解。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，也称信息素痕迹。(2) 可见度，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。 6.4 蚁群算法 蚁群算法与TSP问题： ◆ 蚂蚁向下一个目标的运动是通过一个随机原则来实现的，也就是运用当前所在节点存储的信息，计算出下一步可达节点的概率，并按此概率实现一步移动，逐此往复，越来越接近最优解。 ◆ 蚂蚁在寻找过程中，或者找到一个解后，会评估该解或解的一部分的优化程度，并把评价信息保存在相关连接的信息素中。 6.4 蚁群算法 蚁群算法步骤： STEP 0 对n个城市的TSP问题， 城市间的距离矩阵为 ，给TSP图中的每一条弧 赋信息素初值 ，假设m只蚂蚁在工作，所有蚂蚁都从同一城市 出发。当前最好解是 。 STEP 1 （外循环）如果满足算法的停止规则，则停止计算并输出计算得到的最好解。否则使蚂蚁s从起点 出发，用 表示蚂蚁s行走的城市集合，初始 为空集， 。 6.4 蚁群算法 蚁群算法步骤： STEP 2 (内循环) 按蚂蚁 的顺序分别计算。当蚂蚁在城市i，若 完成第s只蚂蚁的计算。否则，若 则以概率 ， 到达j， ；若 则到达 重复STEP 2。 6.4 蚁群算法 蚁群算法步骤： STRP 3 对 ，若 ，按 中城市的顺序计算 路径程度；若 ，路径长度置为一个无穷大值（即不可 达）。比较m只蚂蚁中的路径长度，记走最短路径的蚂蚁为t。 若 ，则 。用如下公式对W路径 上的信息素痕迹加强，对其他路径上的信息素进行挥发。 得到新的 ，重复步骤STEP 1。 6.4 蚁群算法 蚁群算法步骤： 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。 6.4 蚁群算法 蚁群算法分析： ◆ 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