机器学习课件P4 蚁群优化算法.pptVIP

TSP蚁群算法（ant-cycle） Step 5 For every edge (i,j) compute according to equation Set t:=t+n Set NC:=NC+1 For every edge (i,j) set TSP蚁群算法（ant-cycle） Step 6 If (NC NCMAX) and (not stagnation behavior) then Empty all tabu lists Goto step 2 else Print shortest tour Stop 3 蚁群算法调整与参数设置 ：信息素的相对重要性； ：启发性因素的相对重要性； ：信息素残留因子； Q ：常数，控制信息素的释放； m ：蚁群规模； 其他： 蚁群的初始分布 信息素释放算法ant-cycle ant-cycle 信息素释放算法ant-density ant-density 信息素释放算法ant-quantity ant-quantity 信息素释放算法对比 测试集： Oliver30 problem 循环次数：NCMAX=5000 测试次数：10 摘自Ant Colony Optimization GA：424.635 实验数据1 ant-cycle 摘自Ant Colony Optimization 实验数据2 ant-cycle 摘自Ant Colony Optimization 实验数据3 ant-cycle 摘自Ant Colony Optimization 参数： ant-cycle NCMAX=5000 摘自Ant Colony Optimization 蚁群规模：m ant-cycle 4x4 grid 摘自Ant Colony Optimization 蚁群初始分布 均匀分布优于集中（单一城市）分布 随机分布略好于均匀分布 算法复杂度 O(NC?n2?m) step 1 : O(n2+m), step 2 : O(m), step 3 : O(n2?m), step 4 : O(n2?m), step 5 : O(n2), step 6 : O(n?m). 实验数据（算法复杂度） 摘自Ant Colony Optimization 4 实例：JSP Job-shop Scheduling Problem M:机器数量 J :任务数 ojm:工序 djm:工时 :工序集合 JSP(Muth Thompson 6x6) m.t m.t m.t m.t m.t m.t Job1 3.1 1.3 2.6 4.7 6.3 5.6 Job2 2.8 3.5 5.10 6.10 1.10 4.4 Job3 3.5 4.4 6.8 1.9 2.1 5.7 Job4 2.5 1.5 3.5 4.3 5.8 6.9 Job5 3.9 2.3 5.5 6.4 1.3 4.1 Job6 2.3 4.3 6.9 1.10 5.4 3.1 JSP 3x2 problem JSP 路径选择 JSP 待访问节点集合： 下一步允许访问节点集合： 算法结束： 直接后继 5 实例：PID参数整定 整定参数 目标函数 PID参数整定 Kp=12.345 Td=6.7890 Ti =9.8765 (123456789098765)x(1234567890) 共15位十进制 PID参数整定 信息素释放 PID参数整定 路径选择概率 6 蚁群优化算法研究现状 蚁群系统（Ant Colony System，ACS） 基于排序的蚂蚁系统（Rank Based version AS，ASrank） 最大最小蚂蚁系统（Max-Min Ant System，MMAS） 蚁群系统ACS 结合Q-learning； ACS采用了更为大胆的行为选择规则； 只增强属于全局最优解的路径上的信息素； 到当前为止全局最优的路径长度 蚁群系统ACS 引入负反馈机制。每当蚂蚁由一个节点移动到另一个节点时，该路径上的信息素按照如下公式被相应的消除一部分，从而实现一种信息素的局部调整，以减小已选择过的路径再次被选择的概率。 最大最小蚂蚁系统MMAS 修改了AS的信息素更新方式； 每次迭代之后只有一只蚂蚁能够进行信息素的更新，以获取更好的解； 为了避免搜索停滞，路径上的信息素浓度被限制在[MAX，MIN ]范围内； 信息素的初始值被设为其取值上限，有助于增加算法初始阶段的搜索能力。 基于排序的蚂蚁系统ASrank 与“精英策略”相似； 算法中总是更新更好进程上的信息素； 选择的标准是其行程长度决定的排序； 基于排