蚁群算法基本原理和其改进算法.ppt

蚁群算法的基本原理及其改进算法 专 业：控制工程 年 级：2009级 姓 名：胡训智 学 号指导老师：周润景 教授 算法的提出 算法的基本原理 模型建立 算法的实现 算法改进 结论 参考文献 蚁群算法的提出 基本原理 模型建立 基于蚂蚁构造墓地和分类幼体的聚类分析模型 基于蚂蚁觅食行为和信息素的聚类分析模型 基于蚂蚁构造墓地和分类幼体的聚类分析模型 蚁群构造墓地行为和分类幼体行为统称之为蚁群聚类行为。 生物学家经过长期的观察发现，在蚂蚁群体中存在一种本能的聚集行为。蚂蚁往往能在没有关于蚂蚁整体的任何指导性信息情况下，将其死去的同伴的尸体安放在一个固定的场所。 真实蚁群的聚类行为 基于蚂蚁构造墓地和分类幼体的聚类分析模型 基本模型经过利用个体与个体和个体与环境之间的交互作用，实现了自组织聚类，并成功的应用于机器人的控制中(一群类似于蚂蚁的机器人在二维网格中随意移动并可以搬运基本物体，最终把它们聚集在一起)。该模型成功的应用引起了各国学者的广泛关注和研究的热潮。 LumerE和FaietaB通过在Denurbourg的基本分类模型中引入数据对象之间相似度的概念，提出了LF聚类分析算法，并成功的将其应用到数据分析中。 基于蚂蚁觅食行为和信息素的聚类分析模型 蚂蚁在觅食的过程中，能够分为搜索食物和搬运食物两个环节。每个蚂蚁在运动过程中都将会在其所经过的路径上留下信息素，而且能够感知到信息素的存在及其强度，比较倾向于向信息素强度高的方向移动，同样信息素自身也会随着时间的流逝而挥发，显然某一路径上经过的蚂蚁数目越多，那么其信息素就越强，以后的蚂蚁选择该路径的可能性就比较高，整个蚁群的行为表现出了信息正反馈现象。 程序流程图 程序初始化 X = load(data.txt); [N,n]=size(X); % N =测试样本数;n =测试样本的属性数; K = 4; % K = 组数; R = 100; % R = 蚂蚁数; t_max = 1000; % t_max =最大迭代次数; best_solution_function_value = inf; 信息素矩阵初始化 信息素矩阵维数为N*K（样本数*聚类数）初始值为0.01。 c = 10^-2; tau = ones(N,K) * c; %信息素矩阵，初始值为0.01的N*K矩阵（样本数*聚类数） 蚂蚁路径的选择及标识 定义标识字符矩阵solution_string，维数为R*N+1，初始值都为0，以信息矩阵中信息素的值确定路径（即确定分到哪一组），具体方法如下： 如果该样本各信息素的值都小于信息素阈值q，则取信息素最大的为作为路径。若最大值有多个，则从相同的最大值中随机取一个，作为路径。 若信息数大于阈值q，则求出各路径信息素占该样本总信息素的比例，以概率确定路径。 聚类中心选择 聚类中心为该类所有样本的各属性值的平均值。 偏离误差计算 偏离误差的计算，即各样本到其对应的聚类中心的欧式距离之和MIN。 MIN越小，聚类效果越好。计算各只蚂蚁的MIN值，找到最小的MIN值，该值对应的路径为本次迭代的最佳路径。 信息素更新 对信息素矩阵进行更新，更新方法为 新值为原信息素值乘以(1 - rho)，rho为信息素蒸发率，在加上最小偏差值的倒数。 for i = 1 : N tau(i,best_solution(1,i)) = (1 - rho) * tau(i,best_solution(1,i)) + 1/ tau_F; 信息数更新之后，再根据新的信息数矩阵，判断路径。进行迭代运算。直到达到最大迭代次数，或偏离误差达到要求值。 参数调试（蚂蚁数R 最大迭代次数t_max） MIN =30690 实验结果 t = 3915 time = 229.4707 best_solution_function_value = 1.9726e+004 index1 = 6 15 16 19 24 33 35 index2 = 1 18 22 30 34 42 47 48 index3 = 2 3 8 9 10 13 14 17 21 23 26 27 29 31 39 40 43 46 49 51 index4 = 4 5 7 11 12 20 25