计算机蚁群算法研究.docVIP

计算机蚁群算法研究 　　【摘要】随着Ad Hoc技术的迅速发展，人们所研究的Ad Hoc网络路由问题的规模和复杂性越来越大、约束条件增多、非线性严重并且难以建立精确的数学模型，这些问题往往使得传统的路由优化方法无能为力，因此寻求适合于大规模并行计算并且具有智能特征的最优化方法己经成为研究的重要目标和方向。本文就蚁群算法进行了详细论述。 　　【关键词】计算机；蚁群；算法 　　【中图分类号】TP 【文献标识码】A 　　【文章编号】1007-4309（2011）05-0058-1.5 　　 　　一、群体智能优化算法 　　自然界中群居生活的昆虫、动物大都表现出可以完成复杂行为的卓越能力。人们从中得到启发，参考它们的社会行为，提出了模拟生物系统中群体生活习性的群体智能优化算法。在群体智能优化算法中每一个个体都是具有经验和智慧的智能体（Agent），个体之间存在互相作用机制，通过相互作用形成强大的群体智慧来解决复杂的问题。它们都是模拟自然界生物系统、完全根据生物体自身的本能、通过无意识的寻优行为来优化其生存状态以适应环境的一类新型的最优化算法。 　　群体智能优化算法的基本原理是模拟自然界生物群体生活中个体与个体之间的互相交流与合作，用简单的个体行为与有限的智能，通过相互作用形成整个群体的整体能力。其行为方式可以根据人们解决具体问题的需要而进行相应的处理。群体智能优化算法的理论研究包括两个方面：一是从群体智能优化算法的自身特性加以研究，改进其性能；二是将群体智能优化算法或与其他算法进行结合，通过算法之间的融合对算法加以改进，产生新的混合智能算法。 　　二、蚁群算法 　　根据科学家长期的研究发现：蚂蚁在运动时会在路径上释放出一种特殊的分泌物又称为信息素（Pheromone）。蚂蚁通过它来寻找路径。蚂蚁是一类社会性很强的生物，它们群体生活，共同觅食。在觅食过程中每只蚂蚁单独行动，蚂蚁之间通过释放信息素对觅食的轨迹进行“记忆”，一旦某一条轨迹上发现了食物，那么其他蚂蚁就会向这条道路上聚集，这条道路上信息素的总量就会增多，当它们碰到一个还没有走过的路口时，就随机地挑选一条路径前行，同时会释放出与路径长度有关的信息素。蚂蚁走得路径越长，则释放的信息素数量越小。当后来的蚂蚁再次碰到这个路口的时候，选择信息素数量较大路径概率就会相对较大，这样形成了一个正反馈机制。在整个寻找食物过程中，虽然单个蚂蚁的选择能力有限，但是通过信息素的作用使整个蚁群的行为具有非常高的自组织性，蚂蚁之间交换着路径信息，最终通过蚁群的集体自激励行为找出最优路径。蚁群算法的原理既是利用信息素来反映路径的优劣信息，通过信息素反馈使蚂蚁最终寻得最优路径。 　　三、微粒群算法 　　微粒群算法是基于群体的演化算法，其思想来源于人工生命和进化计算理论。生物学家对鸟群飞行的研究发现，鸟会主动追踪它有限数量的邻居，但最终的整体结果是整个鸟群像在一个中心的控制之下，简单规则的相互作用引起复杂的全局行为。微粒群算法即源于对鸟群捕食行为的研究，一群鸟在随机搜寻食物，如果这个区域里只有一块食物，那么找到食物的最简单有效的策略就是搜寻目前距离食物最近的鸟的周围区域。微粒群算法求解优化问题时，问题的解对应于搜索空间中一只鸟的位置，称这些鸟为“粒子”或“主体”。每个粒子都有自己的位置和速度（决定飞行的方向和距离），还有一个由被优化函数决定的适应值。各个粒子记忆、追随当前的最优粒子，在解空间中搜索。每次迭代的过程不是完全随机的，如果找到较好解，将会以此为依据来寻找下一个解。微粒群算法的基本步骤可描述为： 　　首先初始化，然后评价每一个粒子，计算粒子的适应度值，如果好于该粒子当前的个体极值，则将个体极值点设置为该粒子的位置，且更新个体极值。如果所有粒子的个体极值中最好的好于当前的全局极值，则将全局极值点设置为该粒子的位置，记录该粒子的序号，并更新全局极值；使用速度和位置的更新方程对每一个粒子的速度和位置进行更新；检验是否符合结束条件：若满足结束条件，则停止迭代，输出最优解；微粒群算法有全局和局部两种不同的算法，全局方式中微粒群算法收敛快，但有时会陷入局部最优；而局部方式中微粒群算法通过保持多个吸引子来避免早熟。在实际应用中，一般是先用全局微粒群算法找到大致的结果，再用局部微粒群算法进行搜索。 　　四、人工鱼群算法 　　人工鱼群算法又称为AFSA算法，是一种新的群智能优化算法。该算法从分析鱼类的活动出发的，将动物自治体的概念引入优化算法中，采用了自下而上的思路，应用了基于行为的人工智能方法，形成了一种新的解决问题的模式，称为鱼群模式。该模式应用于寻优中，形成了人工鱼群算法。具体模型可描述如下： 　　（一）觅食行为 　　平时我们会看到鱼儿在水中自由的游来游去，这一般可视为一种随机移动