人工智能第三章遗传算法、蚁群算法、粒子群算法.pptVIP

**信息素更新?ij表示第i级第j个区间的吸引强度；?表示强度的持久性系数，一般取为0.5~0.9；**蚂蚁的集群活动。通过一只蚂蚁的运动很难到达食物源，但整个蚁群进行搜索就完全不同。当某些路径上通过的蚂蚁越来越多时，在路径上留下的信息素数量也越来越多，导致信息素强度增大，蚂蚁选择该路径的概率随之增加，从而进一步增加该路径的信息素强度。而某些路径上通过的蚂蚁较少时，路径上的信息素就会随时间的推移而蒸发。模拟这种现象即可利用群体智能建立路径选择机制，使蚁群算法的搜索向最优解推进。蚁群算法所利用的搜索机制呈现出一种自催化或正反馈的特征，可将蚁群算法模型理解成增强型学习系统。**旅行商问题旅行商问题即TSP问题(TravelingSalesmanProblem)指给定n座城市和两两城市之间的距离，要求确定一条经过各个城市当且仅当一次的最短路线。其图论描述为：给定图G=(V,A)，其中V为顶点集，A为各顶点相互连接组成的边集，已知各顶点间的连接距离，要求确定一条长度最短的Hamilton回路，即遍历所有顶点当且仅当一次的最短回路。**蚁群算法应用于旅行商问题的基本算法每只蚂蚁所具有的特征它根据以城市距离和连接边上的信息素轨迹强度的数量为变量的概率函数选择下一个城市。规定蚂蚁走合法路线，除非周游完成，不允许转到已访问的城市，由禁忌表控制（设tabuk表示第k只蚂蚁的禁忌表，tabuk(s)表示禁忌表中的第s个元素。）它完成周游后，蚂蚁在它每一条访问的边上留下信息素。**bi(t)(i=1,2,?,n)：在t时刻城市i的蚂蚁数算法中的基本符号：全部蚂蚁数dij：两城市之间的距离?ij：路径(i，j)上的能见度，反映城市i到城市j的启发程度，一般取=1/dij?ij(t)：t时刻路径(i,j)上的信息素轨迹强度初始时刻，各条路径上的信息量相等，设?ij(0)＝C。n：城市数目**添加标题添加标题添加标题蚂蚁k(k=1,2,?,m)在运动过程中，根据各条路径上积累的信息素轨迹强度和启发式信息决定转移方向。表示在t时刻蚂蚁k由位置i转移到位置j的概率，也就是其选择策略。allowedk={0,1,?,n-1}-tabuk：表示蚂蚁k下一步允许选择的城市。**tabuk(k=1,2,?,m)：与实际蚁群不同，人工蚁群系统具有记忆功能，用tabuk记录蚂蚁k当前所走过的城市，集合tabuk随着进化过程做动态调整。当所有n座城市都加入到tabuk中时，蚂蚁k便完成了一次循环，此时蚂蚁k所走过的路径就是问题的一个解。之后，禁忌表被清空，该蚂蚁又可以自由选择，开始下一个循环。?和?：?表示信息素强度的相对重要性，?表示能见度的相对重要性。分别反映了蚂蚁在运动过程中所积累的信息和启发信息在蚂蚁选择路径中的相对重要性：如果?=0，则是传统的贪心算法，如果?=0，则是纯粹的正反馈的启发式算法。**?：表示轨迹的持久性，(1－?)称为信息的挥发系数，表示信息消逝程度，随时间推移，以前留下的信息逐渐消失。通常设置系数0?1来避免路径上信息素的无限累加。：第k只蚂蚁在本次循环中留在路径ij上的信息量经过n个时刻(n即为城市数目)，蚂蚁完成一次循环，各路径上的信息量要根据以下公式做调整：：本次循环中路径ij上的信息量增量**信息素修改蚁环算法利用的是整体信息，在求解TSP问题时，性能较好。该算法的特点是行走的路径越短，对应保存的信息素的值就越大。ant-cyclealgorithm（蚁环算法）**单击此处添加小标题ant-quantityalgorithm（蚁量算法）单击此处添加小标题后两种模型利用的是局部信息。单击此处添加小标题ant-densityalgorithm（蚁密算法）单击此处添加小标题信息浓度会因为城市距离的减小而增大。**在线和离线信息素修改信息素的更新可分为离线和在线两种方式。离线方式，也称为同步更新方式，其主要思想是在若干只蚂蚁完成n个城市的访问后，统一对残留信息进行更新处理。信息素在线更新，也称为异步更新，蚂蚁每行一步，马上回溯并且更新行走路线上的信息素。**对于离线方式的信息素更新，进一步可以细分为单蚂蚁离线更新和蚁群离线更新两种方式。蚁群更新是在蚁群中的m只蚂蚁全部完成n个城市的访问后，统一对残留信息进行更新处理。蚁群中蚂蚁的先后出行顺序没有相关性，前面出行的蚂蚁不影响后面出行的蚂蚁的行为，但每次循环需要记录m只蚂蚁的行走路径，以便最后比较选择最好的路径。单蚂蚁更新是在第