改进蚁群算法的研究.docxVIP

改进蚁群算法的研究 蚂蚁算法是一种新的模拟类算法，它是从自然界生物世界产生的。这是由意大利m.dorigo等人提出的。该算法模拟蚂蚁觅食时的行为, 按照启发式思想, 通过信息素 (Pheromone) 的诱导作用, 逐渐收敛到问题的最优解。蚂蚁算法是一种基于正反馈机制的分布式并行算法。正反馈机制是蚂蚁算法的特点, 它使得蚂蚁算法能够较快收敛到问题的最优解, 但同时也是蚂蚁算法的缺陷, 它使得蚂蚁算法容易陷入局部最优解。因此, 如何更好地利用正反馈机制的优点同时抑制它的缺陷, 一直是蚂蚁算法研究中的难点。 1 外激素的存在及对个体行为的影响 蚂蚁是一种群居动物, 其个体的行为极其简单, 但由这些个体组成的蚁群却表现出极其复杂的智能行为特征, 能够完成复杂的任务。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 (在蚂蚁算法中称为信息素) 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。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。因此, 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。 2 基于状态转移的模型 蚂蚁算法最初是用来解决TSP问题的。TSP问题的简单形象描述是:给定n个城市, 有一个旅行商从某一城市出发, 访问各城市一次且仅有一次后再回到原出发城市, 要求找出一条最短的巡回路径。蚂蚁算法的数学模型如下: 设bi(t) 表示t时刻位于城市i的蚂蚁数目, τij(t) 为t时刻边 (i, j) 上的信息量, n表示TSP问题的规模, m为蚂蚁数目, 初始时刻各条路径上信息量相等。 蚂蚁k (k=1, 2, …, m) 在运动过程中, 根据各条路径上的信息量决定其转移方向。用禁忌表tabuk(k=1, 2, …, m) 来记录蚂蚁k当前走过的城市集合, tabuk随着进化过程作动态调整。在搜索过程中, 蚂蚁根据各条路径上的信息量及路径的启发信息来计算状态转移概率。Pkij表示在t时刻蚂蚁k由城市i转移到城市j的状态转移概率。 allowedk={C-tabuk}表示蚂蚁k下一步允许选择的城市, 其中C表示全体城市的集合。 α为信息启发式因子, 表示轨迹的相对重要性, 反映了蚂蚁在运动过程中所积累的信息在蚂蚁运动时起的作用, 其值越大蚂蚁之间协作性越强;β为期望启发式因子, 反映了蚂蚁在运动过程中启发信息在蚂蚁选择路径中的受重视程度;ηij表示由城市转移到城市的期望程度, 被称为先验知识, 这一信息可由要解决的问题给出, 并由一定的算法来实现, TSP问题中一般取值为式 (2) 。 其中, dij表示相邻两个城市之间的距离。 t+n时刻在路径 (i, j) 上的信息量可按如下规则进行调整: 其中, ρ表示信息挥发系数, 1-ρ表示信息素残留系数。 3 局部最优解 正反馈机制可以说既是蚂蚁算法的优点, 同时也是它的缺陷。正反馈机制能够加速蚂蚁算法收敛到全局最优解, 是一种“强者更强”的机制, 同时它也会导致蚂蚁算法陷入局部最优解, 类似于生物界中的“盲从”或“羊群”现象, 即局部最优解上信息素的逐步累积会导致全体蚂蚁最终选择同一条路径。因此, 正反馈机制是一把“双刃剑”, 是具有正反作用的矛盾共同体。蚂蚁算法的改进基本上都是围绕强化正反馈机制, 加速其收敛到全局最优解, 同时抑制它的局部收敛行为。蚁群系统和最大—最小蚂蚁系统是两类具有代表性的改进蚂蚁算法。 3.1 acs的学习机制 ACS模型最早是由Dorigo, Gambardella等人在蚂蚁算法 (AS) 的基础上提出的。ACS解决了蚂蚁算法在构造解过程中, 随机选择策略造成的算法进化速度慢的缺点。该算法在每一次循环中仅让最短路径上的信息量作更新, 且以较大的概率让信息量最大的路径被选中, 充分利用学习机制, 强化最优信息的反馈。ACS的核心思想是:蚂蚁在寻找最佳路径的过程中只能使用局部信息, 即采用局部信息对路径上的信息量进行调整;在所有进行寻优的蚂蚁结束路径的搜索后, 路径上的信息量会再一次调整, 这次采用的是全局信息, 而且只对过程中发现的最好路径上的信息量进行加强。为了避免陷入局部最优解, ACS采用了确定性选择和随机性选择相结合的选择策略, 并在搜索过程中动态调整状态转移概率。即对位于城市i的蚂蚁k按照式 (4) 选择下一个城市: q为一个在区间[0, 1]内的随机数, q0是一个算法参数 (0≤q0≤1) ;当qq0时, 蚂蚁k根据式