人工智能技术及应用 课件 第5章 蚁群算法.ppt

第5章 蚁群算法 §5.1 蚁群算法概述 蚁群算法将蚂蚁的行走路线表示待求解问题的可行解，每只蚂蚁在解空间中独立搜索可行解，在行走路径上留下的信息素越多，表示解的质量越高，随着算法迭代次数的增加，代表较好解的路径上的信息素逐渐增多，选择该路径的蚂蚁也逐渐增多，最终整个蚁群在正反馈的作用下集中到代表最优解的路径上，即全局最优解。 人工蚁群搜索与自然蚁群相比，具有交互通信、路径记忆和集群活动的特点。蚂蚁之间通过释放的信息素进行通信，告知群体内的其他个体选择含有食物的最佳路径；已经被蚂蚁搜索过的路径不再被蚂蚁选择；蚂蚁的觅食是通过群体协作实现的，某条路径上通过的蚂蚁越多，留下的信息素含量越高，该条路径则易选为最佳路径。 §5.1 蚁群算法概述 5.1.1 蚁群算法的基本原理 §5.1 蚁群算法概述 5.1.1 蚁群算法的基本原理 §5.1 蚁群算法概述 5.1.2 蚁群算法的基本流程 §5.1 蚁群算法概述 5.1.3 蚁群算法的规则 在算法中，首先，蚂蚁观察到的范围一般是一个3×3的方格世界，其移动的距离不能超出该范围。其次，蚂蚁所处的环境是一个含有障碍物、其他蚂蚁和信息素的虚拟世界，每个蚂蚁也仅能感知其所在范围内的环境信息。最后，蚂蚁在移动过程中需要遵循一定的规则，包括觅食规则、移动规则、避障规则、信息素规则。 §5.1 蚁群算法概述 5.1.3 蚁群算法的规则 觅食规则指的是蚂蚁在其能感知的范围内寻找是否有食物，若有则直接过去，否则看是否存在信息素，比较在其感知范围内哪一点的信息素含量最高，蚂蚁便朝着信息素含量高的地方移动，同时每只蚂蚁都会出现小概率的错误，导致其并不是往信息素含量高的方向运动。移动规则是信息素指导蚂蚁移动的方向，当没有信息素指引时，蚂蚁将按照原来的运动方向惯性地运动下去。并且蚂蚁具有记忆功能，能够记住其走过了哪些点，若发现移动到的下一点已经走过了，则避开该点，以防止蚂蚁原地转圈。避障规则是指移动方向上有障碍物遮挡，蚂蚁会随机选择另一个方向。信息素有两种类型，一种是食物信息素，指引蚂蚁找到食物；另一种是窝信息素，指引蚂蚁找到居住的窝。信息素规则是指在蚂蚁刚寻觅到食物或者窝的时候散发的信息素含量最大，并随着移动距离的变大而逐渐变小。 §5.1 蚁群算法概述 5.1.4 蚁群算法的特点与优势 蚁群算法是一种正反馈算法，这是因为蚂蚁对最佳路径的搜索依赖于信息素的堆积，而这采用的是正反馈机制，算法的搜索过程不断收敛，直至达到最优解。蚁群算法实现的是分布式并行搜索，搜索过程彼此独立，具有较强的全局搜索能力。蚁群算法的组织指令来源于系统内部，不受外界干预，是一种从无序到有序的过程，即自组织系统。各蚂蚁间采用间接通信机制，通过嗅探信息素的含量来确定移动的路径，最佳路径的信息素含量高，蚂蚁呈聚集态势，即得到问题的最优解。蚁群算法的搜索结果与初始路线的选择无关，且无须人为干预。蚁群算法的参数较少，设置简单。算法不易陷入局部最优，可搜寻到全局最优解。 §5.1 蚁群算法概述 5.1.5 蚁群算法的研究与应用 同粒子群算法一样，作为群智能算法的一种，蚁群算法普遍用于对优化问题的求解领域，通过研究表明，算法无论是在连续还是离散的求解空间中均具有良好的搜索效果，其中对于组合优化问题的求解更有不错的表现，诸如路由优化、数据挖掘等。 §5.2 蚁群算法的改进 虽然蚂蚁系统算法在求解组合优化问题方面取得了较好的效果，但也存在一些不足： （1）如果参数设置不合适，就会导致算法求解速度较慢，且解的质量较差； （2）算法计算量较大，求解时间较长； （3）在算法迭代次数给定的条件下，要使得所有蚂蚁均选择同一路径作为最优值是很难实现的； （4）在一些实际的工程应用中，并不要求所有的蚂蚁都搜寻到最优解，这样会使得计算效率大大降低； （5）算法收敛速度慢，易陷入局部最优的情况； （6）算法的初始信息素匮乏； （7）易出现停滞现象，当所有个体发现的解完全一致时，无法再对解空间进行搜索，较难发现更优的解。 §5.2 蚁群算法的改进 5.2.1 精英蚂蚁系统 §5.2 蚁群算法的改进 5.2.2 最大-最小蚂蚁系统 §5.2 蚁群算法的改进 5.2.3 基于排序的蚂蚁系统 §5.2 蚁群算法的改进 5.2.4 蚁群系统 §5.2 蚁群算法的改进 5.2.4 蚁群系统 §5.2 蚁群算法的改进 5.2.5 其他改进 除了上述改进方法外，对蚁群算法的改进还有最优—最差蚂蚁系统、自适应蚁群算法、混合行为蚁群算法等。 最优—最差蚂蚁系统（BWAS）主要是修改了蚁群系统中的全局信息素更新公式（5-13），增加了对最差蚂蚁路径信息素的更新，对最差的解进行削弱，使得信息素的差异进一步得到扩大。 自适应蚁群算法（AACA）是将蚁群系统中的状态转移规则改为自适应伪随机比率规