基于蚁群优化协作学习模式研究.docVIP

基于蚁群优化协作学习模式研究 　　摘要：蚁群算法是一种求解复杂组合优化问题的启发式算法，但收敛速度慢且搜索时盲目性大。在协作学习模式中为了进行合理分组和提升学生的协作学习能力，提出了一种在外加信息素的干扰下改进型的蚁群算法，并实现两者的有效融合。实验结果表明，蚁群优化在学生的协作学习中表现出较强的优越性，能较好地求解非线问题，并能达到全局最优的解。 　　关键词：蚁群算法；协作学习；组合优化 　　中图分类号：TP31文献标识码：A文章编号：1672-7800（2011）01-0124-02 　　 　　 　　作者简介：魏勇（1978-），男，湖南益阳人，广西师范学院计算机与信息工程学院硕士研究生，研究方向为智能控制；王汝凉（1963-），男，广西北海人，广西师范学院计算机与信息工程学院教授、硕士生导师，研究方向为智能控制。0引言 　　 蚁群优化是继遗传算法和人工神经网络算法后发展起来的新颖的仿生型的智能优化算法之一，且有正反馈、分布计算和启发性搜索等特点。该优化算法在求解组合优化的问题上有较好的优越性，成功地解决了一些离散性的复杂问题求解。如TSP问题求解、网络路由、资源调度等著名的NP完全问题。但是也存在搜索范围广、搜索时间长，受外界影响大且易陷局部最优的缺点。文献[2] 提出了一种基于协同合作的蚁群优化算法，采用随机扰动机制实现蚁群间的协作来加速全局的优化。文献[3]采用池管理和使用大量优先级规则的方法来提升了算法的性能和搜索的速度。文献[4]将蚁群系统(ACS)纳入文化算法框架，避免了传统的计算模式下通过算法的内部状态，较好地实现了一种新的高效文化蚁群优化算法。岳凤等人的多态蚁群算法研究较好地体现了蚂蚁群体之间的合作效果，提高了局部的收敛性。 　　 本文根据蚁群优化算法求解离散性问题和组合优化问题的特性，结合协作学习模式的特点提出了一种改进型的基于蚁群优化的协作学习模式。该学习模式是基于蚁群间通过信息素传递机制来协作完成某项知识学习的过程，在信息的传递过程中加入了外在的干扰机制（即教师的外加信息素），使学习小组的分组更加灵活性和合理性，克服了传统机械分组后而不能够合理地形成成员之间的团结合作的学习模式,从而达不到全局最优的结果。本模式能在充分体现学生的学习个性的同时，更好地发挥学生主动性、提升对未知知识的探究能力。实验结果表明，在这种模式中形成的小组协作学习模式，能较好地实现合理的分组与成员间的优化组合，达到全局最优的学习效果。 　　1基本的蚁群算法 　　1.1蚁群算法的基本模型 　　 蚁群算法最初是在求解TSP（旅行商问题）时提出的。蚂蚁k(k=1,2,….,m) 在运动过程中，根据各条路径上的信息量及路径的启发信息来计算状态转移概率。Pkji （t）表示在t时刻蚂蚁k由元素（城市）i转移到元素（城市）j的状态转移概率： Pkij(t)= [τij(t)]α#8226;[ηik(t)]β∑s??allowedk[τis(t)]α#8226;[ηis(t)]β 　　0 否则(1)式中α为信息启发因子，表示轨迹的相对重要性；β为期望启发因子，表示能见度的相对重要性；ηji（t）为启发函数，其表达式如下： ηji=1/dij 式中dij表示相邻2个城市之间的距离。该启发函数表示蚂蚁从元素i 转移到元素j 的期望程度。 　　 经过n个时刻，蚂蚁完成一次循环，各路径上信息素量根据下式调整: τij（t+n）=（1-p）τij（t）+Δτij（t）m 　　 Δτij（t）=∑Δτkij（t）k = 1(2)式中p表示信息挥发因子，（1-p）为信息轨迹的衰减系数，Δτij（t） 表示本次循环中路径（i ,j）上的信息素增量，Δτkij（t） 表示第k只蚂蚁在本次循环中留在路径（i,j）上的信息量。 　　1.2蚁群算法与组合优化融合 　　 蚁群算法主要思想都是生成一定数量的蚂蚁，通过每只蚂蚁搜索路径建立可行解。先将蚂蚁随机放置在若干节点上，每只蚂蚁从初始节点出发，根据路径上信息素浓度和启发信息以某种概率策略选择下一个节点，直到建立可行解。每只蚂蚁根据解的优劣程度，更新路径上的信息素。如此周而复始，直到蚁群找到最优解。但是蚂蚁在搜索过程中收敛速度慢，为了加快该算法的收敛速度，本文将一定数量的蚂蚁通过组合成小数量的团体，在搜索的路径上通过自身释放的信息素传递信息来进行相互协作活动，以达到实现最短路径、最少耗时地找到食物的来源点。 　　2协作学习模式概述 　　 协作学习(Co11aborative Learning)是一种通过小组或团队的形式组织学生进行学习的一种策略。小组成员的协同工作是实现班级学习目标的有机组成部分。小组协作活动中的个体(学生)可以将其在学习过程中探索、发现的信息和学习材料与小组中的其它