蚁群算法研究综述.docVIP

蚁群算法综述 控制理论与控制工程吕坤 一、蚁群算法的研究背景 蚂蚁是一种最古老的社会性昆虫，数以百万亿计的蚂蚁几乎占据了地球上每一片适于居住的土地，它们的个体结构和行为虽然很简单，但由这些个体所构成的蚁群却表现出高度结构化的社会组织，作为这种组织的结果表现出它们所构成的群体能完成远远超越其单只蚂蚁能力的复杂任务。就是他们这看似简单，其实有着高度协调、分工、合作的行为，打开了仿生优化领域的新局面。 从蚁群群体寻找最短路径觅食行为受到启发，根据模拟蚂蚁的觅食、任务分配和构造墓地等群体智能行为，意大利学者M.Dorigo等人1991年提出了一种模拟自然界蚁群行为的模拟进化算法——人工蚁群算法，简称蚁群算法(Ant Colony Algorithm,ACA)。 二、蚁群算法的研究发展现状 国内对蚁群算法的研究直到上世纪末才拉开序幕，目前国内学者对蚁群算法 的研究主要是集中在算法的改进和应用上。吴庆洪和张纪会等通过向基本蚁群算法中引入变异机制，充分利用2-交换法简洁高效的特点，提出了具有变异特征的蚊群算法。吴斌和史忠植首先在蚊群算法的基础上提出了相遇算法，提高了蚂蚁一次周游的质量，然后将相遇算法与采用并行策略的分段算法相结合。提出一种基于蚁群算法的TSP问题分段求解算法。王颖和谢剑英通过自适应的改变算法的挥发度等系数，提出一种自适应的蚁群算法以克服陷于局部最小的缺点。覃刚力和杨家本根据人工蚂蚁所获得的解的情况，动态地调整路径上的信息素，提出了自适应调整信息素的蚁群算法。熊伟清和余舜杰等从改进蚂蚁路径的选择策略以及全局修正蚁群信息量入手，引入变异保持种群多样性，引入蚁群分工的思想，构成一种具有分工的自适应蚁群算法。张徐亮、张晋斌和庄昌文等将协同机制引入基本蚁群算法中，分别构成了一种基于协同学习机制的蚁群算法和一种基于协同学习机制的增强蚊群算法。 随着人们对蚁群算法研究的不断深入，近年来M.Dorigo等人提出了蚁群优化 元启发式 (Ant-Colony optimization Meta Heuristic，简称ACO-MA)这一求解复杂问题的通用框架。ACO-MH为蚁群算法的理论研究和算法设计提供了技术上的保障。在蚁群优化的收敛性方面，W.J.Gutjahr做了开创性的工作，提出了基于图的蚂蚁系统元启发式(Graph-Based Ant System Metaheuristic)这一通用的蚁群优化的模型，该模型在一定的条件下能以任意接近l的概率收敛到最优解。T.StBtzle和M.Dorigo对一类ACO算法的收敛性进行了证明，其结论可以直接用到两类实验上，证明是最成功的蚁群算法——MMAs和ACS。N.Meuleau和M.Dorigo研究了随机梯度下降 (Stochastic Gradlent Descent，简称SGD)和蚁群优化之间的关系，将蚁群优化看成是一种近似的SGD算法，并根据SGD实现了理论上收敛的蚁群优化算法。蚁群算法的应用研究一直非常活跃。继M.Dorigo首先将AS算法用于TSP问题之后，V.Maniezzo等人首先将AS算法应用于指派问题(QuadraticAssignment Problem，简称QAP)。最近几年Gambardella，Thailard和StUtzle等也发表了一些用蚁群算法求解QAP问题的文章。目前，蚁群算法是求解QAP问题最有效的算法之一。 蚁群算法在通讯网络领域(尤其是网络路由问题)的应用受到越来越多的学者的关注。由于网络中的信息分布性、动态性、随机性和异步性与蚁群算法相似，如利用局部信息发现解，间接的通讯方式和随机状态的转换。Di Caro和Dorigo已经在相关的文献中将ACO应用于网络路由问题，并称这种算法为Antnet。 除了各种组合优化问题外，蚁群算法还在函数优化、系统辨识、机器人路径规划、数据挖掘、大规模集成电路的综合布线设计等领域取得了令人瞩目的成果。 三、蚁群算法的原理及数学模型 蚁群算法的基本原理 根据生物学家和仿生学家的长期观察和研究发现，没有视觉的蚂蚁在运动时 会通在路径上释放出一种特殊的分泌物——信息素，并通过其来寻找路径。当它们碰到一个还没有走过的路口时，就随机挑选一条路径前行，同时释放出与路径长度有关的信息素。蚂蚁走的路径越长，则释放的信息量越小。当后来的蚂蚁再次碰到这个路口的时候，选择信息量较大路径的概率相对较大，这样便形成了一个正反馈机制。最优路径上的信息量越来越大，而其他路径上的信息量却会随着时间的推移而逐渐消减，最终整个蚁群会找出最优路径。同时蚁群还能够适应环境的变化，当蚁群的运动路径上突然出现障碍物时，蚂蚁也能很快地重新找到最优路径。信息素在蚁群寻找最优路径的过程中发挥了重要作用。 蚁群算法的机制原理 蚁群算法是作为一种新的计算智能