蚁群算法研究报告.docVIP

PAGE PAGE 9 . . . . 整理 蚁群算法研究报告 题 目 信息工程学院 专 业 计算机科学与技术 姓 名 程亮 学 号 201115068 指导教师 谭同德 2014-6-4 目 录 TOC \o 1-3 \h \z \u 第一章 蚁群算法概述 2 1.1蚁群算法概念 2 1.2蚁群算法原理 2 1.3蚁群算法的特点 3 1.3.1 人工蚁群的特点 3 1.3.2 蚁群的特点 3 1.4蚁群算法的应用 4 1.5算法模型 4 第二章 蚁群算法解决TSP问题 5 2.1 TSP问题描述 5 2.2 基于 TSP 问题的蚁群算法模型 5 2.3蚂蚁系统解决TSP问题实现步骤 6 2.4蚂蚁系统解决TSP问题流程图 6 2.5关键代码 7 参考文献 9 第一章 蚁群算法概述 1.1蚁群算法概念 蚁群算法（Ant Clony Optimization， ACO）是一种群智能算法，它是由一群无智能或有轻微智能的个体（Agent）通过相互协作而表现出智能行为，从而为求解复杂问题提供了一个新的可能性。从1991年意大利学者DorigoM等首次提出蚁群算法以来，蚁群算法作为一种自然计算方法，由解决tsP(旅行商)问题开始，从一维静态优化问题到多维动态优化问题，从解决离散域范围问题到连续域范围，发展到今天已经相对成熟了，应用到了众多的领域，比如说数据挖掘、物流、通信网络、大规模集成电路、网络路由等。而且这种仿生算法同遗传算法、粒子群算法、免疫算法、神经网络等智能算法相结合的新算法，更好的提高了效率并加强了其在实际问题中的应用。 蚁群算法之所以能引起相关领域研究者的注意，是因为这种求解模式能将问题求解的快速性、全局优化特征以及有限时间内答案的合理性结合起来。其中，寻优的快速性是通过正反馈式的信息传递和积累来保证的。而算法的早熟性收敛又可以通过其分布式计算特征加以避免，同时，具有贪婪启发式搜索特征的蚁群系统又能在搜索过程的早期找到可以接受的问题解答。这种优越的问题分布式求解模式经过相关领域研究者的关注和努力，已经在最初的算法模型基础上得到了很大的改进和拓展。研究蚁群算法的改进方法以及其发展和应用的趋势，为蚁群算法在更多领域有更多的应用价值来说是十分必要的。 1.2蚁群算法原理 蚁群算法是一种仿生学算法，是由自然界中蚂蚁觅食的行为而启发的。在自然界中，蚂蚁觅食过程中，蚁群总能够按照寻找到一条从蚁巢和食物源的最优路径。图（1）显示了这样一个觅食的过程。 ?在图1（a）中，有一群蚂蚁，假如A是蚁巢，E是食物源（反之亦然）。这群蚂蚁将沿着蚁巢和食物源之间的直线路径行驶。假如在A和E之间突然出现了一个障碍物（图1（b）），那么，在B点（或D点）的蚂蚁将要做出决策，到底是向左行驶还是向右行驶？由于一开始路上没有前面蚂蚁留下的信息素（pheromone），蚂蚁朝着两个方向行进的概率是相等的。但是当有蚂蚁走过时，它将会在它行进的路上释放出信息素，并且这种信息素会议一定的速率散发掉。信息素是蚂蚁之间交流的工具之一。它后面的蚂蚁通过路上信息素的浓度，做出决策，往左还是往右。很明显，沿着短边的的路径上信息素将会越来越浓（图1（c）），从而吸引了越来越多的蚂蚁沿着这条路径行驶。 1.3蚁群算法的特点 1.3.1 人工蚁群的特点 . 蚁群算法中所使用的蚂蚁是现实蚂蚁行为特征的一种抽象，称为人工蚂蚁。人工蚂蚁的通讯方式、相互协作机制与现实蚂蚁一样，但是如果完全依照现实蚂蚁行为机制来设计蚁群算法，实验表明算法需要很多的时间才会收敛，而且可能会收敛于一些局部优解。故人工蚂蚁又有不同于现实蚂蚁的地方，以tsP问题为例： (1)人工蚂蚁有一定的记忆能力，它可以记住已经走过的路径，以保证不会重复走相同的城市。现实的蚂蚁没有记忆。 (2)人工蚂蚁不仅仅依据信息素来确定要走的路径，还引入了与问题相关的启发信息，比如相邻边的长度。这个构造的启发信息有利于下一步的搜索。 (3)人工蚂蚁处于一个离散的时间环境下，而现实中的蚂蚁是在一个连续的状态下。所以，人工蚂蚁可以根据问题的需要比较灵活的加入相应的规则，以更加有效的解决实际问题。 1.3. 蚁群中的蚂蚁具有多元性、相关性，而且相互之间的协作又体现了整体性，所以蚁群具有系统性的特点。人工蚂蚁在任务中越来越趋向于一种接近最优的结果，整体来看就是一种从无序到有序的自组织过程，这种自组织性增加了算法的鲁棒性。在解决问题的过程中，