《群体智能》PPT课件.pptx

第八章　群体智能8.1　蚁群优化算法8.2　粒子群优化算法8.3　蜂群优化算法8.4　细胞自动机习题of31序言　下载提示：该课件是本店铺精心编制而成的，希望大家下载后，能够帮助大家解决实际问题。课件下载后可定制修改，请根据实际需要进行调整和使用，谢谢！　Download reminder: This courseware is carefully compiled by this shop. I hope that after you download it, it can help you solve practical problems. The courseware can be customized and modified after downloading, please adjust and use it according to actual needs, thank you!8.1 蚁群优化算法第八章 群体智能蚁群优化(ACO, Ant Colony Optimization)算法是受蚂蚁觅食中使用信息素策略启发的一个群体式优化算法。算法关键步骤如下：(1)蚂蚁在觅食过程中会在路径上留下信息素，并且所有路径上的信息素浓度都将会有少量蒸发掉。(2)每个蚂蚁都根据它所处位置的周边路径长短和信息素含量来选择路径。(3)在有限时间内蚂蚁能够多次往返于沉积了较多信息素的路径。因此，在这个正反馈回路中，这条路径将吸引更多的蚂蚁。(4)通过结合信息素挥发与路径长短的选择概率，可以确保大多数蚂蚁最终会聚集在最短的路径上。of318.1 蚁群优化算法第八章 群体智能(a) 蚂蚁沿着蚁巢和食物之间的路径前进。(b) 路上出现障碍物。(c) 大约一半的蚂蚁沿着上面的路径走， 另一半沿着下面的路径走。 (d) 由于信息素在较短路径上沉积得更快，最终所有蚂蚁都选择了这条路径。of318.1 蚁群优化算法第八章 群体智能 蚂蚁的总数M一般等于路径节点的数目N，初始搜索路径都有少量的虚拟信息素。 表示蚂蚁k从节点i到节点j路径选择的概率，公式为 τij表示虚拟信息素含量；ηij表示节点间的能见度，通过路径长度的倒数1/lij计算;常数a、b为权重。分数的分母为信息素和所有边H的可见度值的累加和；边H为从蚂蚁当前位置可达的边M个蚂蚁觅食结束后在在每条路径上遗留的信息素量为：信息素的挥发公式为：of318.1 蚁群优化算法第八章 群体智能蚁群算法在寻找路径方面的一个主要优势是概率选择，虚拟蚂蚁除了发现最短的路径外还可以发现并保留多个较短路径。ACO元启发分为三个阶段： of31第八章　群体智能8.1　蚁群优化算法8.2　粒子群优化算法8.3　蜂群优化算法8.4　细胞自动机习题of318.2 粒子群优化算法第八章 群体智能 粒子群优化算法(PSO, Particle Swarm Optimization)是受到鸟群寻找食物的启发而研究的。鸟种群中，鸟鸣强度与它在当前位置发现的昆虫数量成正比、每只鸟都能感知到周围鸟的位置、并分辨出周围哪个鸟鸣最强。 假定：每只鸟都从三个方向选择轨迹，因此找到昆虫最集中的点将会很容易。这三个方向分别是：在同一方向继续飞行、回到目前昆虫集中度最高的位置、向近邻鸟鸣最强的位置移动。PSO算法中，种群由粒子(鸟类)组成。如上图所示，5只鸟组成的种群共同在空间中移动并且搜索全局最优解。of318.2 粒子群优化算法第八章 群体智能 在粒子群优化算法(PSO)中，粒子随机分布并根据其局部信息移动。粒子之间相互通信，动态更新并记录下性能最好的位置，然后将这一位置告知周围的粒子。 通过三个位移分量相加来更新粒子（黑色圆盘）位置，依次为: ?与上一个时间段方向相同的位移分量；?移向迄今为止所经历最优性能位置的位移分量（黑色轮廓的灰色圆盘）；?移向邻域最优解的位移分量（无轮廓的灰色圆盘）。of318.2 粒子群优化算法第八章 群体智能每个粒子的速率通过上面提到的三个方向的速率进行计算：a，b，c是控制三个方向的常数；为粒子P到此刻为止最优性能位置与当前位置间的差值；表示在t时具有最好性能的近邻粒子j 的位置和粒子当前位置的差值。of318.2 粒子群优化算法第八章 群体智能 通过在目前最优解的位置和粒子邻域最优解周围增加一个不确定性的区域来避免陷入局部最优，公式如下： 粒子的邻域由函数空间的粒子位置给定（如上左图）。一旦被群居化，粒子将被贴上标签，并被定义成与位置无关的邻域（如上右图）。不论粒子处于哪种函数空间，一个粒子总是会与其社交邻域(右边的虚线区域)进行通信。of31第八章　群体智能8.1　蚁群优化算法8.2　粒子群优化算法8.3　蜂群优化算法8.4　细胞自动机习题of318.3 蜂群优化算法第八章 群体智能 蜂群优