蚁群算法——一种新型的优化算法6.pptVIP

蚁群算法——一种新型的优化算法 名称：Ant Colony Optimization 创始人： Dorigo(1993) 思路：模拟蚂蚁集群觅食规律 基本原理 禁忌列表（tabu list） 信息素（pheromone） 算法步骤（以TSP为例） 初始化 蚂蚁随机分布到各个城市 环游 蚂蚁依次选择路径直到返回出发点 更新路径 算法核心 转移概率的计算 i：蚂蚁当前位置；j：蚂蚁可以到达的位置；A：蚂蚁可以到达位置的集合；ηij：启发性信息；τij：i到j的路径的信息素数量 算法核心(续) 信息素更新 Δτijk：蚂蚁k由i到j的路径上留下的单位长度轨迹信息素数量 0≤α≤5，1≤β≤5，0.1≤ρ≤0.99，10≤Q≤10000 信息素更新与算法 在线更新online update 完全模拟蚂蚁运动规律 离线更新offline update 人为 在线更新方式已被可获得更佳效果的离线更新方式所取代 信息素更新与算法（续） 三种蚁群算法 ant colony：精英策略 ant system：更新所有路径 ant Min-Max：信息素的值限制到Min和Max之间 Ant-Q算法 将蚁群算法解释成一种增强学习（reinforcement learning）——Q学习 发展现状 目前研究和应用主要集中在比利时、意大利、英国、法国、德国等欧洲国家，日本和美国开始启动 1998年和2000年在比利时布鲁塞尔大学召开了第一届和第二届蚂蚁优化国际研讨会 国内开始有少量公开报道和研究成果 严格理论基础尚未奠定，有关研究仍停留在实验探索阶段 与遗传算法比较 需设置参数少，无交叉变异操作 对有些优化问题如TSP效果更佳 运行速度慢 遗传算法 蚂蚁算法 iter: 迭代次数 m: 种群规模 实际应用——测试集优化 问题描述 完全测试集 最小完全测试集 测试集优化问题就是最小完全测试集的求解问题 该问题属于NP问题 实例演示 测试矢量和故障的对应关系矩阵 最小完全测试集为(t1,t2,t6)或(t2,t5,t6) 求解思路 转移概率 求解思路（续） 启发性信息 实验结果 与常规算法比较 实验结果（续） 与遗传算法比较 * * 蚁巢 障碍物 食物 B A D C 1 1 1 1 2 2 7 6 40V70F 7 5 30V32F 3 3 18V20F 3 3 8V10F 行列消去法 蚁群算法 测试集 *