蚁群算法案例分析.pptxVIP

蚁群算法及案例分析 目录 蚁群算法原理 蚁群算法计算步骤 TSP算例分析 蚁群算法的特点及应用领域 1、蚂蚁在路径上释放信息素。 2、碰到还没走过的路口，就随机挑选一条路走。同时，释放与路径长度有关的信息素。 3、信息素浓度与路径长度成反比。后来的蚂蚁再次碰到该路口时，就选择信息素浓度较高路径。 4、最优路径上的信息素浓度越来越大． 5、最终蚁群找到最优寻食路径。 自然界中,蚁群的这种寻找路径的过程表现为一种正反馈的过程,与人工蚁群的寻优算法极为一致。如我们把只具备了简单功能的工作单元视为”蚂蚁”,那么上述寻找路径的过程可以用于解释人工蚁群的寻优过程。 人工蚁群具有一定的记忆能力。它能够记忆已经访问过的节点;另外,人工蚁群在选择下一条路径的时候并不是完全盲目的,而是按一定的算法规律有意识地寻找最短路径 自然界蚁群不具有记忆的能力，它们的选路凭借外激素，或者道路的残留信息来选择，更多地体现正反馈的过程 人工蚁群和自然界蚁群的相似之处在于,两者优先选择的都是含“外激素”浓度较大的路径; 两者的工作单元(蚂蚁)都是通过在其所经过的路径上留下一定信息的方法进行间接的信息传递。 蚁群算法原理 蚁群算法计算步骤 TSP算例分析 第一步:初始化 将m只蚂蚁随机放到n个城市，每只蚂蚁的禁忌表为蚂蚁当前所在城市，各边信息初始化为c。 禁忌表体现了人工蚂蚁的记忆性，使得蚂蚁不会走重复道路，提高了效率。 TSP算例分析 TSP算例分析 TSP算例分析 第四步：输出结果 若迭代次数小于预定的迭代次数且无退化行为（找到的都是相同的解）则转步骤二，否则，输出目前的最优解。 参 数 选 取 TSP算例分析 % 第一步：变量初始化 n=size(C,1); %n表示问题的规模（城市个数） D=zeros(n,n); %D表示完全图的赋权邻接矩阵 for i=1:n for j=1:n if i~=j D(i,j)=((C(i,1)-C(j,1))^2+(C(i,2)-C(j,2))^2)^0.5; %点i,j之间的距离 else D(i,j)=eps; end D(j,i)=D(i,j); end end Eta=1./D; %Eta为启发因子，这里设为距离的倒数 Tau=ones(n,n); %Tau为信息素矩阵 Tabu=zeros(m,n); %存储并记录路径的生成 NC=1; %迭代计数器 R_best=zeros(NC_max,n); %各代最佳路线 L_best=inf.*ones(NC_max,1);%各代最佳路线的长度 L_ave=zeros(NC_max,1); %各代路线的平均长度  while NC=NC_max %停止条件之一：达到最大迭代次数 % 第二步：将m只蚂蚁放到n个城市上 Randpos=[]; for i=1:(ceil(m/n)) Randpos=[Randpos,randperm(n)]; end Tabu(:,1)=(Randpos(1,1:m)); %第三步：m只蚂蚁按概率函数选择下一座城市，完成各自的周游 for j=2:n for i=1:m visited=Tabu(i,1:(j-1));%已访问的城市 J=zeros(1,(n-j+1)); %待访问的城市 P=J; %待访问城市的选择概率分布 Jc=1; for k=1:n if isempty(find(visited==k, 1)) J(Jc)=k; Jc=Jc+1; end end %计算待选城市的概率分布 for k=1:length(J) P(k)=(Tau(visited(end),J(k))^Alpha)*(Eta(visited(end),J(k))^Beta); end P=P/(sum(P)); %按概率原则选取下一个城市 Pcum=cumsum(P); Select=find(Pcum=rand); to_visit=J(Select(1)); Tabu(i,j)=to_visit; end end if NC=2 Tabu(1,:)=R_best(NC-1,:); end %%第四步：记录本次迭代最佳路线 L=zeros(m,1); for i=1:m R=Tabu(i,:); for j=1:(n-1) L(i)=L(i)+D(R(j),R(j+1)); end L(i)=L(i)+D(R(1),R(n)); end L_best(NC)=min(L); pos=find(L==L_best(NC)); R_best(NC,:)=Tabu(pos(1),:); L_ave(NC)=mean(L); NC