《智能机器人创新设计》 课件 第13章 多机器人协同调度-蚁群算法.pptx

第13章多机器人协同调度-蚁群算法智慧物流系统：从设计到实现

教学内容CONTENTS1蚁群算法2蚁群算法原理3旅行商问题4蚁群算法评价

3章节目标了解蚁群算法的起源；理解蚁群算法的原理与机制；掌握蚁群算法的信息素更新与浓度计算；了解蚁群算法的优点、缺点及应用前景。

4算法起源：蚁群算法（AntColonyOptimization,ACO）是意大利学者MarcoDorigo于1992年基于蚁群觅食的行为特征提出的一种模型进化算法。该算法在求解旅行商问题（TravelingSalesmanProblem,TSP）、分配问题、图着色问题等方面均取得了较好的结果。随着群体智能的研究发展，蚁群算法也被应用于多机器人系统的任务分配及调度协作等方面。1蚁群算法

5算法起源：蚁群觅食是一种典型的群体智能行为，蚁群寻找食物时会分散探索，如果一只蚂蚁找到食物，它将返回巢中通知同伴并沿途留下“信息量”（Pheromone），作为蚁群前往食物所在地的标记。信息量会随时间挥发，如果两只蚂蚁同时找到同一食物，又采取不同路线回到巢中，那么比较绕远的一条路上信息量的气味会比较淡，蚁群将倾向于选择另一条更近的路线前往食物所在地。1蚁群算法

6算法起源：在旅行商问题中，蚁群算法会设计虚拟的“蚂蚁”摸索不同的路线，并留下虚拟“信息量”。虚拟的“信息量”也会挥发，每只蚂蚁每次随机选择要走的路径，但是它们倾向于选择路径比较短、信息量比较浓的路径。根据“信息量比较浓的路线更近”原则，即可选择出最佳路线。由于这个算法利用了正反馈机制，使得较短的路径能够有较大的机会得到选择，并且采用概率算法，所以它能够不局限于局部最优解。1蚁群算法

7算法原理：如图1所示，蚂蚁选路过程中较短路径上遗留的信息量会在短时间内大于较长路径，蚁群算法的原理不妨用一个例子来说明：假设A、E两点是蚁群的巢穴和食物源，从其间有两条路径A-B-H-D-E和A-B-C-D-E，其中B-H和H-D间距离为1m，B-C和C-D间距离为0.5m。2蚁群算法原理蚁群选择路径图1

8算法原理：如图2所示，在A、E点分别分配30只蚂蚁从两点出发，在t=0时刻，30只蚂蚁走到分支路口B点或D点。因为初始时没有什么线索可供蚂蚁们选择，所以以相同的概率决定选择哪条路径，结果是15只蚂蚁走左边路径D-H、B-H；另外15只蚂蚁走右边的路径D-C、B-C，这些蚂蚁在行进过程中分别留下信息量。2蚁群算法原理蚁群选择路径图2

9算法原理：如图3所示，假设蚂蚁都具有相同的移动速度（1m/s）和释放信息量的能力。在经过1s后，从D点出发的蚂蚁，有15只蚂蚁到达H点，还有15只蚂蚁经过C点到达B点（D-H=D-C+C-B）；同样在经过1s后，从B点出发的蚂蚁，有15只蚂蚁到达H点，还有15只蚂蚁经过C点到达D点（B-H=B-C+C-D）。2蚁群算法原理蚁群选择路径图3

10算法原理：显然，在相等时间间隔内，路径D-H-B上共有15只蚂蚁经过并留下信息量，路径D-C-B上共有30只蚂蚁经过并留下信息量，其信息量强度是D-H-B路径上的2倍。因此，当再有30只蚂蚁从A、E点出发选择路径时，就会以2倍于D-H-B的概率来选择D-C-B，从而D-H-B上的蚂蚁数目变成了10只，是D-C-B上蚂蚁数量的一半，D-C-B路径上的信息量很快得到了强化。2蚁群算法原理蚁群选择路径图3

11结合旅行商问题实现蚁群算法：问题：假设有一个旅行商人要拜访n个城市，要求每个城市都要访问但只能访问一次，并且最后要回到原来出发的城市，要求得出访问所有城市的最短旅行路径。假定城市分布如右图所示，共5个城市，即n=5。3旅行商问题TSP问题城市分布图

12结合旅行商问题实现蚁群算法：?3旅行商问题TSP问题城市分布图

13结合旅行商问题实现蚁群算法：?3旅行商问题TSP问题城市分布图

14结合旅行商问题实现蚁群算法：对于蚂蚁个体和蚁群需要定义一些属性，如表所示：3旅行商问题属性符号解释城市open表city_open存放蚂蚁个体未经过的城市坐标。城市close表city_close按顺序存放蚂蚁已经过的城市坐标。路径长度value蚂蚁经过所有城市的总路程长度。蚂蚁个体属性

15结合旅行商问题实现蚁群算法：3旅行商问题蚁群属性属性蚁群规模符号m解释蚁群包含的蚂蚁数量，通常m=1.5n最短路径长度best_value历史解中最短的路径长度。最佳路径best_route历史解中最短路径长度对应的路径。信息素挥发因子ρ信息素随时间挥发，ρ∈[0,1]。信息素启发因子α信息素的影响程度，通常α∈[1,9]期望启发因子β某种启发式搜索的影响程度，通常β∈[1,9]信息素浓度常数Q一只蚂蚁携带的信息素浓度通常Q∈[10,100]

16结合旅行