智能算法应用.ppt

1.3 启发式算法 分类： （ 1 ）一步算法 （ 2 ）改进算法（迭代算法） （ 3 ）数学规划算法 （ 4 ）解空间松弛法 1.3 启发式算法 （ 5 ）现代优化算法： 80 年代初兴起 ? 禁忌搜索（ tabu search ） ? 模拟退火（ simulated annealing ） ? 遗传算法（ genetic algorithms ） ? 神经网络（ neural networks ） ? 蚂蚁算法（ Ant Algorithm ，群体（群集）智能， Swarm Intelligence ） （ 6 ）其他算法： 多种启发式算法的集成 . 1.3 启发式算法 性能分析： （ 1 ）最坏情形分析（ worst case analysis ） 利用最坏实例分析计算复杂性、解的效果。 (2 ）概率分析 （ probability analysis ） 用最坏情况分析，会因一个最坏实例影响总体 评价 . 在实例数据服从一定概率分布情形下，研究算 法复杂性和解的效果 . (3) 大规模计算分析 通过大量实例计算，评价算法效果 . 注意数据的随机性和代表性 . 二、 蚁群优化算法 2.1 蚁群优化算法概念 2.2 蚁群优化算法研究现状 2.3 带精英策略的蚂蚁系统 2.4 算法模型和收敛性分析 2.5 算法实现的技术问题 2.6 应用 蚁群优化算法 20 世纪 90 年代意大利学者 M ． Dorigo ， V ． Maniezzo ， A ． Colorni 等从生物进化的机制中受到启发，通过模 拟自然界蚂蚁搜索路径的行为，提出来一种新型的模 拟进化算法 —— 蚁群算法，是群智能理论研究领域 的一种主要算法。用该方法求解 TSP 问题、分配问题、 job-shop 调度问题，取得了较好的试验结果．特别蚁 群算法在求解复杂优化问题（特别是离散优化问题） 方面有一定优势， 2.1 蚁群优化算法概念 蚁群算法是对自然界蚂蚁的寻径方式进行模似 而得出的一种仿生算法。蚂蚁在运动过程中， 能够在它所经过的路径上留下一种称之为外激 素 (pheromone) 的物质进行信息传递，而且蚂蚁 在运动过程中能够感知这种物质，并以此指导 自己的运动方向，因此由大量蚂蚁组成的蚁群 集体行为便表现出一种信息正反馈现象：某一 路径上走过的蚂蚁越多，则后来者选择该路径 的概率就越大。 2.1 蚁群优化算法概念 蚂蚁搜寻食物的具体过程： 在蚁群寻找食物时，它们总能找到一条从食物 到巢穴之间的最优路径。这是因为蚂蚁在寻找路径 时会在路径上释放出一种特殊的信息素。当它们碰 到一个还没有走过的路口时．就随机地挑选一条路 径前行。与此同时释放出与路径长度有关的信息素。 路径越长，释放的激索浓度越低 . 当后来的蚂蚁再 次碰到这个路口的时候．选择激素浓度较高路径概 率就会相对较大。这样形成一个正反馈。最优路径 上的激索浓度越来越大．而其它的路径上激素浓度 却会随着时间的流逝而消减。最终整个蚁群会找出 最优路径。 2.1 蚁群优化算法概念 蚂蚁从 A 点出发，速度相同，食物在 D 点，可能随机选择路线 ABD 或 ACD 。假设初始时每条分配路线一只蚂蚁，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 的蚂蚁到达终点，而走 ACD 的蚂蚁刚好走到 C 点，为一 半路程。 2.1 蚁群优化算法概念 本图为从开始算起，经过 18 个时间单位时的情形： 走 ABD 的蚂蚁到达终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。 2.1 蚁群优化算法概念 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，所有开始一起出发的蚂蚁都 经过不同路径从 D 点取得了食物，此时 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 。 寻找食物的过程继续进行，则按信息素的指导， 蚁群在 ABD 路线上增派一只蚂蚁（共 2 只），而 ACD 路线上仍然为一只蚂蚁。再经过 36 个时间单位后，两 条线路上的信息素单位积累为 12 和 4 ，比值为 3 ： 1 。 2.1 蚁群优化算法概念