参数设置对蚁群算法的影响.pptVIP

参数设置对蚁群算法性能的影响 周XX军 交通运输与物流学院 二○一 一年十一月 主要内容 参考文献： 《蚁群算法原理及其应用》 科学出版社 段海滨 著 《智能优化方法》 高等教育出版社 汪定伟 等 著 《蚁群优化原理、理论及其应用研究》 重庆大学博士论文 胡小兵 《蚁群算法理论、应用及其与其它算法的混合》南京理工大学博士论文 高尚 一、引言 二、基本蚁群算法 三、参数设置对蚁群算法性能的影响 四、最优参数组合的确定方法 引言 （1）蚁群算法研究的关键问题：在“探索”与“利用”之间建立一个平衡点。 既要使得蚁群算法的搜索空间尽可能大，以寻找可能存在的最优解的解区间；同时，又要充分利用蚂蚁群体内当前所具有的有效信息，从而以较大的概率收敛到全局最优。 （2）解决之道：a.对算法本身进行改进；b.分析参数（α、β、ρ、m、Q）对算法性能的影响并提出改进策略。 （3）蚁群算法中的参数设定目前尚无严格的理论依据，难以用解析法确定最佳组合，至今没有确定最优参数的一般方法。 ∴ 参数设置的研究更多基于大量数字仿真，从而确定参数设置的大致范围。 基本蚁群算法 意大利学者M. Dorigo提出了三种基本AS算法模型，分别为蚁周模型（Ant-Cycle Model），蚁量模型（Ant-Quantity Model）及蚁密模型（Ant-Density Model）。 三种模型的差别主要在于 的求法不同。经实证研究，蚁周模型由于在搜索解时充分考虑了全局信息，从而其性能要优于其它两种模型。 以下分析基于蚁周模型。 基本蚁群算法 蚁周模型计算公式： 基本蚁群算法 2、信息素计算公式 参数设置对AS性能的影响——α的影响 参数α对算法性能的影响 α反映蚂蚁在运动过程中所积累的信息量在指导蚁群搜索中的相对重要程度，其值越大，蚂蚁选择以前走过路径的可能性就越大，搜索的随机性减弱；其值过小，则等同于贪婪算法，易使蚁群的搜索过早陷入局部最优。 以EIL51TSP为研究对象，实验时设置m=30,Q=150, β=4,ρ=0.5，停止条件为相邻两次循环搜索中最优解的差别小于0.001。经多次仿真， α与迭代次数N及α与最优路径长度L之间的对应关系如下图所示： 参数设置对AS性能的影响——α的影响 α与迭代次数N的关系 α与最优路径长度L的关系 结论： α过小，收敛速度慢，且易陷入局部最优； α过大，即信息素的重要性得以充分体现，局部最优路径上正反馈作用强，过早收敛。 当α ∈[1，4]时，综合求解性能较好。 参数设置对AS性能的影响——β的影响 β对蚁群算法性能的影响 β指期望启发式因子，反映了启发式信息在指导蚁群搜索过程中的相对重要程度，其大小反映了蚁群寻优过程中先验性、确定性因素的作用强度。其值越大，则蚂蚁在某个局部点上选择局优的可能性越大，虽然收敛速度加快，但搜索全优的随机性减弱，易于陷入局优。 仍以EIL51TSP为研究对象，设置m=30,Q=150, α =1,ρ=0.5，停止条件为相邻两次循环搜索中最优 解的差别小于0.001。经多次仿真， β与迭代次数N及β与最优路径长度L之间的对应关系如下图所示： 参数设置对AS性能的影响——β的影响 β与迭代次数N的关系 β与最优路径长度L的关系 β β N L 结论： Β过小，蚂蚁群体陷入纯粹的随机搜索，很难找到最优解； β过大时，收敛速度增快，但收敛性能有变差的趋势。 当β ∈[3，4.5]时，综合求解性能较好。 参数设置对AS性能的影响——1-ρ的影响 ρ表示信息素挥发因子，1- ρ即为信息素残留因子。 ρ的大小直接关系蚁群算法的全局搜索能力及收敛速度，1- ρ则反映蚂蚁之间个体相互影响的强弱。 由于ρ的存在，当问题规模较大时，会使从未被搜索的路径的信息素量减小到接近于0，降低全局搜索能力，且当ρ过大时，重复搜索的可能性大，影响随机性有和全局搜索能力；当ρ越小时，则会使收敛速度降低。 仍以EIL51TSP为研究对象，设置m=10,Q=100, α =1, β=5，停止条件为相邻两次循环搜索中最优解的差别小于0.001。经多次仿真， 1-ρ与迭代次数N及与最优路径长度L之间的对应关系如下图所示： 参数设置对AS性能的影响——1-ρ的影响 1-ρ与迭代次数N的关系 1-ρ与最优路径长度L的关系 1-ρ 1-ρ N L 结论: 1-ρ与迭代次数近似正比，当1-ρ很大时，残留信息占主导地位，正反馈作用减弱