蚁群算法新版.docx

智能算法 第七章：蚁群算法 谷俊峰 工业装备结构分析国家重点实验室 工程力学系 运载工程与力学学部 提纲 7.1 蚁群优化算法概述 7.2 蚁群优化算法的实现 7.3 蚁群优化算法的研究现状 7.4 蚁群优化算法——技术问题 7.5 蚁群优化算法应用现状 大连理工大学1 大连理工大学 1 1 运 载 工 程 与 力 学 学 部gie oin M力ach学an i系csDUT 7.1 蚁群优化算法起源 蚂蚁属于群居昆虫 单个蚂蚁的行为极其简单，但由这样的单个简单的个体 所组成的蚁群群体却表现出极其复杂的行为，能够完成 复杂的任务。 大连理工大学运 大连理工大学 运 载 工 程 与 力 学 学 部En n e工erig M力ecan i系cs.DUT 7.1蚁群优化算法起源 蚂蚁觅食 蚂蚁没有发育完全的视觉感知系统，甚至很多种类完全没有视 觉，他们在寻找食物的过程中是如何选择路径的呢? ■ 蚂蚁往往像军队般有纪律、有秩序的搬运食物，他们是通过什么 方式进行群体间的交流协作呢? 大部分的蚂蚁都是按照途中的最近的路线走，小小的蚂蚁是如何 有这么高的智能的呢? Wenming ChinaWenming Wenming China 三 三大连 大工学程与力学学部 ·e工ring程Mch学an系ics.DUT 7.1蚁群优化算法起源 20世纪50年代中期创立了仿生学，人们从生物进化的机理中 受到启发。提出了许多用以解决复杂优化问题的新方法，如进 化规划、进化策略、遗传算法等，这些算法成功地解决了一些 实际问题。 1991年意大利米兰理学院 M.Dorigo 提出Ant System,用于求解TSP 等组合优化问题。 1 9 9 5 年Gramdardella和Dorigo提出Ant-Q算法，建 立了AS 和Q-learning的联系。 ■ 1996年二人又提出Ant Colony System ■ 1997年有人提出Max-Min Ant System ■ 1999年Dorigo 等人把先前各种算法归结为Ant Colony Optimization meta-heuristic的 统 一 框 架 下 ， 给出抽象而规范的算法描述. 目前，被较广泛的应用 Dorigo 大连理工大学 大连理工大学 1 运 载 工 程 与 力 学 学 部 一 rinM力ochni s.DUT 7.1 蚁群优化算法应用领域 蚁群优化算法自1991年由Dorigo提出并应用于TSP 问题 以来，已经发展了近20年。 具有鲁棒性强、全局搜索、并行分布式计算、易与其他 问题结合等优点 应用领域不断扩张，如车间调度问题、车辆路径问题、 分配问题、子集问题、网络路由问题、蛋白质折叠问题、 数据挖掘、图像识别、系统辨识等。 这 些 问 题 大 都 是NP 难的组合优化问题，用传统算法难 以求解或者无法求解，各种蚁群算法及其改进版本的出 现，为这些难题提供了有效而高效的手段。 三 三大连 大工学程与力学学部 ·e工ring程Mch学an系ics.DUT 7.1 蚁群算法原理 蚁群是如何完成这些复杂的任务的呢?人们经过 大量研究发现，蚂蚁个体之间是通过一种称之为外 激素(pheromone) 的物质进行信息传递.从而能相 互协作，完成复杂的任务. 蚁群之所以表现出复杂有序的行为，个体之间的信 息交流与相互协作起着重要的作用. 口 口大运连载理工学与 力学学 部n g o工orig o c学han系ics.DUT 7.1 蚁群算法原理 蚂蚁在运动过程中，能够在它所经过的路径上留下外激素， 而且蚂蚁在运动过程中能够感知外激素的存在及其强度， 并以此指导自己的运动方向，蚂蚁倾向于朝着外激素强度 高的方向移动. 由大量蚂蚁组成的蚁群的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.蚂蚁个体之间就是通过这种信息的交流达 到搜索食物的目的。 三大1连 大工学程与力学学部in o·or工ing程Mcan系ics.DUT 7.1 简化的蚂蚁寻食过程 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。 大连理工大学 运 载 工 程 与 力 学 学 部 ·In e工erin程g M力och学ani s.DUT 7.1 简化的蚂蚁寻食过程 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。 大