蚁群算法介绍.pptVIP

*2.2.5初始的蚁群优化算法—基于图的蚁群系统（GBAS）3/12STRP3对 ，若，按中城市的顺序计算路径程度；若，路径长度置为一个无穷大值（即不可达）。比较m只蚂蚁中的路径长度，记走最短路径的蚂蚁为t。若，则。用如下公式对W路径上的信息素痕迹加强，对其他路径上的信息素进行挥发。得到新的，重复步骤STEP1。第62页，共110页，星期日，2025年，2月5日*2.2.5初始的蚁群优化算法—基于图的蚁群系统（GBAS）4/12在STEP3中，挥发因子对于一个固定的，满足并且经过k次挥发，非最优路径的信息素逐渐减少至消失。第63页，共110页，星期日，2025年，2月5日*2.2.5初始的蚁群优化算法—基于图的蚁群系统（GBAS）5/12以上算法中，在蚂蚁的搜寻过程中，以信息素的概率分布来决定从城市i到城市j的转移。算法中包括信息素更新的过程1信息素挥发（evaporation）信息素痕迹的挥发过程是每个连接上的信息素痕迹的浓度自动逐渐减弱的过程，由表示，这个挥发过程主要用于避免算法过快地向局部最优区域集中，有助于搜索区域的扩展。2信息素增强（reinforcement）增强过程是蚁群优化算法中可选的部分，称为离线更新方式（还有在线更新方式）。这种方式可以实现由单个蚂蚁无法实现的集中行动。也就是说，增强过程体现在观察蚁群（m只蚂蚁）中每只蚂蚁所找到的路径，并选择其中最优路径上的弧进行信息素的增强，挥发过程是所有弧都进行的，不于蚂蚁数量相关。这种增强过程中进行的信息素更新称为离线的信息素更新。在STEP3中，蚁群永远记忆到目前为止的最优解。第64页，共110页，星期日，2025年，2月5日*图的蚁群系统（GBAS）6/12可以验证，下式满足：即是一个随机矩阵。四个城市的非对称TSP问题，距离矩阵和城市图示如下：第65页，共110页，星期日，2025年，2月5日*2.2.5初始的蚁群优化算法—基于图的蚁群系统（GBAS）7/12假设共4只蚂蚁，所有蚂蚁都从城市A出发，挥发因子。此时，观察GBAS的计算过程。矩阵共有12条弧，初始信息素记忆矩阵为：第66页，共110页，星期日，2025年，2月5日*2.2.5初始的蚁群优化算法—基于图的蚁群系统（GBAS）8/12执行GBAS算法的步骤2，假设蚂蚁的行走路线分别为：当前最优解为，这个解是截止到当前的最优解，碰巧是实际最优解第67页，共110页，星期日，2025年，2月5日*2.2.5初始的蚁群优化算法—基于图的蚁群系统（GBAS）9/12按算法步骤3的信息素更新规则，得到更新矩阵这是第一次外循环结束的状态。第68页，共110页，星期日，2025年，2月5日*2.2.5初始的蚁群优化算法—基于图的蚁群系统（GBAS）10/12重复外循环，由于上一次得到的W2已经是全局最优解，因此按算法步骤3的信息素更新规则，无论蚂蚁如何行走，都只是对W2路线上的城市信息素进行增强，其他的城市信息素进行挥发。得到更新矩阵这是第一次外循环结束的状态。第69页，共110页，星期日，2025年，2月5日*2.2.5初始的蚁群优化算法—基于图的蚁群系统（GBAS）11/12重复外循环，由于W2全局最优解，GBAS只记录第一个最优解，因此一但得到了全局最优解，信息素的更新将不再依赖于以群的行走路线，而只是不断增强最优路线的信息素，同时进行挥发。第三次外循环后得到的信息素矩阵为：第70页，共110页，星期日，2025年，2月5日*2.2.5初始的蚁群优化算法—基于图的蚁群系统（GBAS）12/12蚂蚁以一定的概率从城市i到城市j进行转移，信息素的更新在STEP3完成，并随K而变化。假设第K次外循环后得到信息素矩阵，得到当前最优解。第K次循环前的信息素和最优解为