地理信息智能化处理 课程作业--蚁群算法及其应用 编程 关于数据挖掘软件WEKA的分析和总结.doc

地理信息智能化处理 PAGE PAGE 13 一、综述题 以《蚁群算法及其应用》为题，撰写一个读书报告。要求通过广泛查阅国内外文献，撰写读书报告。 蚁群算法及其应用 1 引言 蚁群优化算法，简称为蚁群算法，由Marco Dorigo和他的同事首先提出来，作为一种多Agent的方法，很好地解决了一些复杂的组合优化问题，如旅行商问题（Traveling Salesman Problem）和指派问题（quadratic assignment problem），目前已经有很多种基于蚁群算法或其改进算法应用于各种不同的离散优化问题，这些研究已经涵盖了车辆路径规划（vehicle routing），顺序订货（sequential ordering），地图着色（graph coloring）以及网络中的路由通信问题。 蚁群算法的基本原理 蚁群系统本来是生物学家为更好揭示昆虫的交互作用而提出的一种昆虫自组织模式。尽管建立这种模式的初衷是为了帮助人们去理解这类昆虫的复杂行为，蚂蚁也不可能从这些解释中获益，但是数学及计算机方面的专家和工程师却把这种超越生物本身的模型转化成了一项有用的优化和控制算法。蚁群优化，是该系统的核心内容，其原理可大致描述如下：蚂蚁属于群居昆虫，个体行为极其简单，而群体行为却相当复杂。相互协作的一群蚂蚁很容易找到从蚁巢到食物源的最短路径，而单个蚂蚁则不能。此外，蚂蚁还能够适应环境的变化，例如在蚁群的运动路线上突然出现障碍物时，它们能够很快地重新找到最优路径。人们通过大量的研究发现，蚂蚁个体之间是通过在其所经过的路上留下一种可称之为“ 信息素”（pheromone）的物质来进行信息传递的，随后的蚂蚁遇到信息素时，不仅能检测出该物质的存在以及量的多少，而且可根据信息素的浓度来指导自己对前进方向的选择。同时，该物质随着时间的推移会逐渐挥发掉，于是路径的长短及该路径上通过的蚂蚁的多少就对残余信息素的强度产生影响，反过来信息素的强弱又指导着其它蚂蚁的行动方向。因此，某一路径上走过的蚂蚁越多，则后来者选择该路径的概率就越大。这就构成了蚂蚁群体行为表现出的一种信息正反馈现象。蚂蚁个体之间就是通过这种信息交流达到最快捷搜索到食物源的目的。图1能更具体地说明蚁群系统的原理。 图1 蚁群优化系统示意图 图A中设是蚁巢，E是食物源，H、C为障碍物，距离为d。由于障碍物的存在由A外出觅食或由E返回巢穴的蚂蚁只能经由H或C到达目的地。假设蚂蚁以“1单位长度/单位时间”的速度往返于A和E，每经过一个单位时间各有30只蚂蚁离开A和E到达B和D图（图1a）。初始时，各有30只蚂蚁在B和D点遇到障碍物，开始选择路径。由于此时路径上无信息素，蚂蚁便以相同的概率随机地走两条路中的任意一条，因而15只选往C，15只选往H图（1b）。经过一个单位时间以后，路径BCD被30只蚂蚁爬过，而路径BHD上则只被15只蚂蚁爬过（因BCD距离为1而BHD距离为2），BCD上的信息量是BHD上信息量的两倍。此时，又有30只蚂蚁离开B和D，于是各20只选择往C方向，而另外各10只则选往H方向图（1c）。这样，更多的信息素量被留在更短的路径BCD上。随着时间的推移和上述过程的重复，短路径上的信息量便以更快的速度增长，于是会有越来越多的蚂蚁选择这条短路径，以致最终完全选择这条短路径。图2为通用蚁群算法的框架 图2 通用蚁群算法框架 应用 旅行商（TSP）问题 问题描述 旅行商问题最常见的通俗解释为，一位推销员从自己所在城市出发，必须遍访所有城市之后又回到原来的城市，求使其旅费最少的路径。 问题解决 通常在介绍蚁群算法时都是以TSP问题为例来介绍的，这里不再赘述。在多数的算法中都存在一个启发信息函数ηij，称之为能见度函数。一个简明的处理方法就是令ηij=1/d ij。 作业调度问题 问题描述 作业调度问题(Job-shop Scheduling Problem，JSP)是一种资源分配问题。这里的资源主要是指设备资源，问题的求解目标是要找到一个将一组工件安排到设备上去，以使作业可为“最优”完成的方案。每个作业可由一些任务完成，而每个任务必须由特定的设备处理。一个调度是指按先后顺序条件将所有任务安排到设备上的一种方案。通常，约束的数目很大，其基本约束条件为： 每道工序必须在它指定的机器上加工；同一时刻同一台机器只能加工一个零件；每道工序必须在它前面的工序加工完毕后才能加工；每道工序一旦开始加工，在完成之前不允许中断。 下面给出的是一个作业调度问题的描述： n个作业{J l，J 2，……J n}在m台机器{M1 ，M2，…M m}上加工，每个作业的加工路线不同。设N为工序的集合，工序的加工时间为d i，工序的开始时间为t t，在机