《第5章 蚁群算法》.pptVIP

5 蚁群算法 Ant Colony Optimization;2; 目录;双桥实验;蚁群优化（ant colony optimization,ACO）是20世纪90年代初由意大利学者M.Dorigo等通过模拟蚂蚁的行为而提出的一种随机优化技术（寻找优化路径的机率型算法）。 研究主要是以蚂蚁寻找食物之后能选择一条最短路径来连接蚁穴和食物源。 1991年，M.Dorigo在法国巴黎第一届欧洲人工生命会议上最早提出了蚁群算法的基本模型，1992年又在其博士论文中进一步阐述了蚁群算法的核心思想。 ;蚂蚁觅食过程;A点为蚁穴，食物在D点，可能随机选择路线ABD或ACD。假设初始时每条路线有一只蚂蚁，每个时间单位行走一步，本图为经过9个时间单位时的情形：走ABD的蚂蚁到达食物，而走ACD的蚂蚁刚好走到C点，为一半路程。 ; 本图为从开始算起，经过18个时间单位时的情形：走ABD的蚂蚁到达D点后得到食物又返回了起点A，而走ACD的蚂蚁刚好走到D点。 ; 假设蚂蚁每经过一处所留下的信息素为一个单位，则经过36个时间单位后，ABD的路线往返了2趟，每一处的信息素为4个单位，而 ACD的路线往返了一趟，每一处的信息素为2个单位，其比值为2：1。 按信息素的指导，ABD路线增加一只蚂蚁（共2只），ACD路线仍为一只蚂蚁。再经过36个时间单位后，两条线路上的信息素为12和4，比值为3：1。 于是， ABD路线增加一只蚂蚁（共3只），ACD路线仍为一只蚂蚁。再经过36个时间单位后，两条线路上的信息素为24和6，比值为4：1。 若继续进行，则按信息素的指导，最终所有的蚂蚁会放弃ACD路线，而都选择ABD路线。;蚁群算法通常用于求解复杂的组合优化问题。所谓组合优化,是指在离散的、有限的数学结构上,寻找一个满足给定条件,并使其目标函数值达到最大或最小的解. 理论假设 1、蚁群之间通过信息素和环境进行通信。 2、蚂蚁对环境的反应由其内部模式决定。 3、个体水平上，每个蚂蚁相对独立；群体水平 上，每只蚂蚁的行为是随机的。;算法规则;2.环境 ;3.觅食规则;4.移动规则;5.避障规则;6.播撒信息素规则;现以平面上n个城市的旅行商问题（ Traveling Salesman Problem ，TSP）为例说明基本蚁群算法模型。 旅行商问题：一商人去n个城???销货，所有城市走一遍再回到起点，使所走路程最短。 TSP在许多工程领域具有广泛的应用价值，例如电路板布线、VLSI芯片设计、机器人控制、网络路由等。随着城市数目的增多,问题空间将呈指数级增长。 ;TSP问题的数学描述;蚁群算法求解TSP;（2）能见度定义为距离的倒数，即代表由城市i到城市j的启发性愿望，距离越短，能见度越大，被选择的愿望越大，由此引导蚂蚁搜索。其信息是固定的。;信息素更新方式体现在信息素的增加和信息素的挥发两个方面。挥发系数 信息素更新公式如下：;;系统在上述四个因素（禁忌列表、能见度、虚拟信息素、概率转换规则）的控制下，实现路径选择策略和信息素更新策略。 上述信息素更新方式与真实蚂蚁觅食过程最为接近，但是在解决TSP问题上，效果并不是特别理想。 Dorigo针对信息素更新策略又给出了三种模型。;蚁量系统（Ant-Quantity） 蚁密系统（Ant-Density） 蚁周系统（Ant-Cycle） ; 蚁量算法（ Ant-Quantity ）： ; 通过实验表明，在这三种算法中：Ant-Cycle算法的效果最好，这是因为它用的是全局信息；而其余两种算法用的是局部信息。这种更新方法很好地保证了残留信息不至于无限累积，非最优路径会逐渐随时间推移被忘记。;TSP算法流程图（ Ant-Cycle ）;蚁群算法的误区与对策;;误区二： Q值的影响不大 ;对策二;误区三：参数组合选择 ;对策三;3.实例仿真;36;下图对应31个城市的巡回路线为：北京-福州-南昌-合肥-杭州-南京-西安-台北-太原-呼和浩特-沈阳-上海-石家庄-长春-哈尔滨-济南-天津-武汉-郑州-长沙-银川-兰州-广州-海口-南宁-西宁-成都-乌鲁木齐-昆明-拉萨-贵阳-北京。 从仿真结果看最优解为:15708km。 目前，公认的TSP问题最优结果为15398km，虽然，不完全相等，但是结果比较相近，这说明蚂蚁算法虽然不是TSP问题的最好算法，但是依据蚂蚁觅食过程提出的蚁群算法具有一定的可行性。;一、蚁群大小 一般情况下蚁群中蚂蚁的个数不超过TSP图中节点的个数。 二、终止条件 1 给定一个外循环的最大数目； 2 当前最优解连续K次相同而停止，其中K是一个给