基因演算法的特性.PPTVIP

14.6 粒子群最佳化演算法 粒子群最佳化演算法的圖示 作業研究 二版 Ch.14 通用啟發法 p.*/47 PSO演算法之步驟 作業研究 二版 Ch.14 通用啟發法 p.*/47 PSO演算法的說明與特性 演算法說明 特性 所需的參數設定較少。 屬多點（群體）搜尋，而非單點搜尋。 具有記憶性，應用記憶過去表現及群體最佳的解，互相交換正向資訊。 以機率性法則更新速度，而非確定性法則。 較適合連續型最佳化問題，但亦可用於離散型最佳化問題。 作業研究 二版 Ch.14 通用啟發法 p.*/47 PSO演算法求解範例 作業研究 二版 Ch.14 通用啟發法 p.*/47 PSO演算法求解範例 作業研究 二版 Ch.14 通用啟發法 p.*/47 PSO演算法求解範例 作業研究 二版 Ch.14 通用啟發法 p.*/47 PSO演算法求解範例 作業研究 二版 Ch.14 通用啟發法 p.*/47 14.7 蟻群最佳化演算法 蟻群最佳化演算法（ant colony optimization；ACO） 於1992年由Dorigo模擬蟻群實際行為而來 基本概念 針對蟻群如何溝通，以及建立食物源與巢穴之間最短的路線進行研究。當螞蟻在覓食時，所走過的路徑會留下一種稱之為費洛蒙（pheromone）的化學物質，讓蟻群藉由費洛蒙的濃度來判斷應該行進的路線。 當費洛蒙濃度愈強，該路線被螞蟻選擇的機率也愈大；若一段時間不再有螞蟻經過該路徑並貢獻費洛蒙時，其費洛蒙濃度便會降低。 最終所有螞蟻會因費落蒙的引導，均選擇行進較短的路徑。 作業研究 二版 Ch.14 通用啟發法 p.*/47 14.7 蟻群最佳化演算法（極大化問題） 作業研究 二版 Ch.14 通用啟發法 p.*/47 14.7 蟻群最佳化演算法（極大化問題） 作業研究 二版 Ch.14 通用啟發法 p.*/47 ACO演算法之說明 參數設定：包括螞蟻個數、費洛蒙蒸發比例、費洛蒙量（pheromone trails）與貪婪法則（greedy heuristic）之相對重要性參數，以及控制「開發」與「探索」之相對比例的參數q0。 狀態轉移法則：狀態轉移法則在開發（exploitation）和探索（exploration）之間提供了一個平衡機制。所謂「開發」（q=q0）是螞蟻參考過去所經歷的較佳路徑，以獲得更好的解；「探索」（qq0）則是欲發現未曾嘗試過的解，以避免陷入區域最佳解。 貪婪法則：ACO的螞蟻不同於真實螞蟻之處，在於其並非全盲；除了擁有費落蒙引導外，亦可經由貪婪法則給予一個較為適當的搜尋方向。 區域費洛蒙更新：當某螞蟻完成一個可行解後，ACO會依據此螞蟻的路徑即時更新其費洛蒙濃度，避免其他螞蟻陷入區域最佳解。 全域費洛蒙更新：此部分僅記錄該迭代蟻群中表現最好的螞蟻，並對其解進行費洛蒙更新，增加其行經路徑的費洛蒙濃度，以給未來蟻群適當引導。 區域搜尋：當一個迭代中每隻螞蟻分別建構完其完整的解後，此時可對該解進行區域搜尋，找尋更好的可行解以取代原先建構的解。 作業研究 二版 Ch.14 通用啟發法 p.*/47 ACO演算法之特性 ACO與PSO的想法皆來自生物界個體與群集生活之社交行為 屬多點（多隻螞蟻）搜尋，而非單點搜尋 擁有正向回饋，對表現較好的解增加其費洛蒙濃度；擁有負項回饋，對表現較差的解降低其費洛蒙濃度 傾向於選擇費洛蒙濃度較高的路徑，能透過費落蒙傳達訊息 同時藉由費洛蒙量及經驗法則，引導下一迭代蟻群搜尋方向 作業研究 二版 Ch.14 通用啟發法 p.*/47 ACO演算法之特性 ACO與PSO的想法皆來自生物界個體與群集生活之社交行為 屬多點（多隻螞蟻）搜尋，而非單點搜尋 擁有正向回饋，對表現較好的解增加其費洛蒙濃度；擁有負項回饋，對表現較差的解降低其費洛蒙濃度 傾向於選擇費洛蒙濃度較高的路徑，能透過費落蒙傳達訊息 同時藉由費洛蒙量及經驗法則，引導下一迭代蟻群搜尋方向 作業研究 二版 Ch.14 通用啟發法 p.*/47 ACO應用於旅行推銷員問題 作業研究 二版 Ch.14 通用啟發法 p.*/47 ACO應用於旅行推銷員問題 作業研究 二版 Ch.14 通用啟發法 p.*/47 ACO應用於旅行推銷員問題 作業研究 二版 Ch.14 通用啟發法 p.*/47 ACO應用於旅行推銷員問題 作業研究 二版 Ch.14 通用啟發法 p.*/47 ACO應用於旅行推銷員問題 作業研究 二版 Ch.14 通用啟發法 p.*/47 ACO應用於旅行推銷員問題 作業研究 二版 Ch.14 通用啟發法 p.*/47 作業研究 二版 Ch.14 通用啟發法 作業研究 二版 Ch.14 通