蚁群优化算法.pptVIP

3.1 精华蚂蚁系统 信息素的更新： 信息素的更新： 参数e作为 的权值， 是算法开始至今最优路径的长度，其中搜索到至今最优路径用 表示。 信息素的更新： 3.2 基于排列蚂蚁系统 提出背景： 在EAS提出后，有没有更好的一种信息素更新方式，它同样使 各边的信息浓度得到加强，且对其余各边的信息素更新机制亦有改善？ 基于排列的蚂蚁系统就是这样的一种改进版本，在每一轮所有蚂蚁 构建完路径后，将按照所得路径的长度进行排名，只有生成了至今 最优路径的蚂蚁和排名在前（w-1）的蚂蚁才允许释放信息素，蚂 蚁在边（i,j）上释放的信息素的权值由蚂蚁的排名决定。 在EAS提出后，有没有更好的一种信息素更新方式，它同样使 各边的信息浓度得到加强，且对其余各边的信息素更新机制亦有改善？ 3.2 基于排列蚂蚁系统 信息素的更新： 至今最优路径不一定出现在当前迭代的路径中，各种蚁群算法均假设蚂蚁有记忆能力，至今最优路径总是能被记住。路径 将获得最多的信息素量，排名越前的蚂蚁释放的信息素量越大，权值对不同路径的信息素浓度差异起了一个放大作用。一般 3.3 最大最小蚂蚁系统 最大最小蚂蚁系统 提出背景： 1.对于大规模的TSP，由于搜索蚂蚁的个数有限，而初始化时蚂蚁的 分布是随机的，这会不会造成蚂蚁只搜索了所有路径中的小部分就 以为找到了最好的路径，而真正优秀的路径并没有被探索到呢？ 2.当所有蚂蚁都重复构建着同一条路径的时候，意味着算法已经进入 了停滞状态，有没有办法利用算法停滞后的迭代过程进一步搜索以 保证找到更接近真实目标的解呢？ 3.3 最大最小蚂蚁系统 在基本AS算法基础上的改进： 1 只允许迭代最优蚂蚁或者至今最优蚂蚁释放信息素。 2 信息素量大小的取值范围被限制在一个区间内。 3 信息素初始值为信息素取值区间的上限，并伴随一个较小的信息素蒸发速率 4 每当系统进入停滞状态，问题空间内所有边上的信息 素量都会被重新初始化。 LOGO 蚁群优化算法 Ant Colony Optimization 蚁群优化算法 蚁群优化算法简介 一 蚂蚁系统 二 蚁群优化算法的改进版本 三 蚁群优化算法相关应用 四 ACO是一种全局最优化搜索方法，解决典型组 合优化问题具有明显的优越性，具有鲁棒性 强、全局搜索、并行分布式计算、易于其他 算法结合的优点。 蚁群优化算法（ACO）由Dorigo（多里格）等人于1991年提出，是模拟自然界真实蚂蚁觅食过程的一种随机搜素算法。 1.1 基本原理 提 出 性 质 1.1 基本原理 A （1）蚂蚁没有发育完全的视觉感知系统，其在寻找食物的过程中是如何选择路径的呢？ （2）蚂蚁往往像军队般有纪律、有秩序地搬运食物，它们通过什么方式进行群体间的交流协作呢？ 信息素是一种化学物质，由蚂蚁自身释放，是实现蚁群内 间接通信的物质。蚂蚁随机选择路径，但是能感知当前地 面上的信息素浓度，并倾向于往信息素浓度高的方向前进。 信息素 1.1 基本原理 双桥实验 蚁穴 食物源 （a）两个路具有同样的长度 自身催化（正反馈）过程 1.起初两条分支上不存在信息 素，蚂蚁以相同的概率进行 选择。 2.随机波动的出现，选择某一 条分支的蚂蚁数量可能比另 外一条多。 3.实验最终结果：所有的蚂蚁 都会选择同一分支。 1.1 基本原理 双桥实验 （b）两条分支具有不同长度 1.起初两条分支上不存在信息 素，蚂蚁随机选择一条路径。 2.短分支上的信息素积累速度 比长分支的快。 3.实验最终结果：所有的蚂蚁 都会选择较短的分支。 4.有很小比例的蚂蚁会选择较 长的分支。 路径探索 1.1 基本理论 蚁穴 食物源 （c）30分钟后添加短分支 30分钟后 双桥实验 1.实验最终结果：除了极少的 蚂蚁选择较短的分支以外， 整个群体几乎都困在较长的 分支上。 2.长分支上的信息素浓度高， 而信息素的蒸发速度过于缓 慢。 1.1基本理论 双桥实验总结 1 选择路径是一个概率随机过程，启发式信息多以及信息浓度大的路径被选中概率更大。 2 信息素会不断的蒸发。 3 路径探索也是必需的，否则容易陷入局部最优。 1.1基本理论 蚁群觅食现象和蚁群优化算法的基本定义对照表 2001年至今 1996年-2001年 意大利学者 Dorigo1991年 启发 各种改进算法的提出，应用领域更广 引起学者关注，在应用领域得到拓宽 ACO首次被系统的提出 自然界中真实蚁群集体行为 1.2 研究进展 历史进展