蚁群算法详细讲解 (2).ppt

1.2.5 初始的蚁群优化算法—基于图的蚁群系统（GBAS） 1/12 初始的蚁群算法是基于图的蚁群算法，graph-based ant system,简称为GBAS，是由Gutjahr W J在2000年的Future Generation Computing Systems提出的，课本的参考文献2。算法步骤如下： STEP 0 对n个城市的TSP问题， 城市间的距离矩阵为 ，给TSP图中的每一条弧 赋信息素初值 ，假设m只蚂蚁在工作，所有蚂蚁都从同一城市 出发。当前最好解是 。 * PPT课件 1.2.5 初始的蚁群优化算法—基于图的蚁群系统（GBAS） 2/12 STEP 1 （外循环）如果满足算法的停止规则，则停止计算并输出计算得到的最好解。否则使蚂蚁s从起点 出发，用 表示蚂蚁s行走的城市集合，初始 为空集， 。 STEP 2 (内循环) 按蚂蚁 的顺序分别计算。当蚂蚁在城市i，若 完成第s只蚂蚁的计算。否则，若 ，则以概率 ， 到达j， ；若 则到达 重复STEP 2。 * PPT课件 1.2.5 初始的蚁群优化算法—基于图的蚁群系统（GBAS） 3/12 STRP 3 对 ，若 ，按 中城市的顺序计算 路径程度；若 ，路径长度置为一个无穷大值（即不可 达）。比较m只蚂蚁中的路径长度，记走最短路径的蚂蚁为t。 若 ，则 。用如下公式对W路径 上的信息素痕迹加强，对其他路径上的信息素进行挥发。 得到新的 ，重复步骤STEP 1。 * PPT课件 1.2.5 初始的蚁群优化算法—基于图的蚁群系统（GBAS） 4/12 在STEP 3 中，挥发因子 对于一个固定的 ，满足 并且 经过k次挥发，非最优路径的信息素逐渐减少至消失。 * PPT课件 1.2.5初始的蚁群优化算法—基于图的蚁群系统（GBAS） 5/12 以上算法中，在蚂蚁的搜寻过程中，以信息素的概率分布来决定从城市 i到城市j的转移。 算法中包括信息素更新的过程 1 信息素挥发（evaporation） 信息素痕迹的挥发过程是每个连接上的信 息素痕迹的浓度自动逐渐减弱的过程，由 表示，这个 挥发过程主要用于避免算法过快地向局部最优区域集中，有助于搜索区 域的扩展。 2 信息素增强（reinforcement）增强过程是蚁群优化算法中可选的部分， 称为离线更新方式（还有在线更新方式）。这种方式可以实现由单个蚂 蚁无法实现的集中行动。也就是说，增强过程体现在观察蚁群（m只蚂蚁） 中每只蚂蚁所找到的路径，并选择其中最优路径上的弧进行信息素的增强， 挥发过程是所有弧都进行的，不于蚂蚁数量相关。这种增强过程中进行的 信息素更新称为离线的信息素更新。 在STEP 3中，蚁群永远记忆到目前为止的最优解。 * PPT课件 图的蚁群系统（GBAS） 6/12 可以验证，下式满足： 即 是一个随机矩阵。 四个城市的非对称TSP问题，距离矩阵和城市图示如下： * PPT课件 1.2.5 初始的蚁群优化算法—基于图的蚁群系统（GBAS） 7/12 假设共4只蚂蚁，所有蚂蚁都从城市A出发，挥发因子 。此时，观察GBAS的计算过程。 矩阵 共有12条弧，初始信息素记忆矩阵为： * PPT课件 1.2.5 初始的蚁群优化算法—基于图的蚁群系统（GBAS） 8/12 执行GBAS算法的步骤2，假设蚂蚁的行走路线分别为： 当前最优解为，这个解是截止到当前的最优解，碰巧是实际 最优解 * PPT课件 1.2.5 初始的蚁群优化算法—基于图的蚁群系统（GBAS） 9/12 按算法步骤3的信息素更新规则，得到更新矩阵 这是第一次外循环结束的状态。 * PPT课件 1.2.5 初始的蚁群优化算法—基于图的蚁群系统（GBAS） 10/12 重复外循环，由于上一次得到的W2已经是全局最优解，因