第三章求解优化问题的智能算法.pptVIP

全局更新规则：在ACS中，全局更新不再用于所有的蚂蚁，只对每一次循环中最优的蚂蚁使用。(3)3.3蚁群算法——改进及扩展的离散蚁群算法—自适应蚁群算法**第126页，共209页，星期日，2025年，2月5日局部更新规则：局部更新规则是在所有的蚂蚁完成一次转移后执行：第3种方案的ACS算法被称为Ant-Q强化学习算法。实验结果表明与基本蚁群算法比较，该模型具有一般性，更有利于全局搜索。(4)3.3蚁群算法——改进及扩展的离散蚁群算法—自适应蚁群算法**第127页，共209页，星期日，2025年，2月5日ACS的伪代码：begin初始化过程：ncycle=1;bestcycle=1;??ij=?0=C;?；?；?；q0;?ij(由某种启发式算法确定)；tabuk=?while(notterminationcondition){for(k=1;km;k++){将m只蚂蚁随机放置于初始城市上；}for(index=0;indexn;index++){for(k=1;km;k++){产生随机数q；按公式(1)和(2)规则确定每只蚂蚁要转移的位置；将刚刚选择的城市j加入到tabuk中；按公式(4)执行局部更新规则；}}确定本次循环中找到的最佳路径L=min(Lk),k=1,2,…,m;按照公式(3)执行全局更新规则；ncycle=ncylce+1;}3.3蚁群算法——改进及扩展的离散蚁群算法—自适应蚁群算法**第128页，共209页，星期日，2025年，2月5日最大最小蚁群系统(MAX-MINAntSystem,MMAS)通过对蚁群系统的研究表明，将蚂蚁搜索行为集中到最优解的附近可以提高解的质量和收敛速度，从而提高算法的性能。但这种方式会使算法过早收敛而出现早熟现象，从而提出了MMAS。MMAS的基本思想：仅让每一代中的最好个体所走路径上的信息量做调整，从而更好地利用了历史信息，以加快收敛速度。但这样更容易出现过早收敛的现象，为避免算法过早收敛于非全局最优解，将各条路径上的信息量允许值在区间[??min，?max]之内，可以避免某条路径上信息量远大于其他路径而造成所有蚂蚁都集中到同一条路径上。。3.3蚁群算法——改进及扩展的离散蚁群算法—自适应蚁群算法**第129页，共209页，星期日，2025年，2月5日MMAS在AS基础上作了3点改进：首先初始化信息量设为最大值?max；其次各个蚂蚁在一次循环后，只有找到最短路径的蚂蚁才能在其经过的路径上释放信息素，即：最后将?ij限制在[??min，?max]之间。（5）3.3蚁群算法——改进及扩展的离散蚁群算法—自适应蚁群算法**第130页，共209页，星期日，2025年，2月5日MMAS的伪代码：begin初始化过程：ncycle=1;bestcycle=1;?max;?min;??ij=0;?；?；?；q0;?ij(由某种启发式算法确定)；tabuk=?;while(notterminationcondition){for(k=1;km;k++){将m只蚂蚁随机放置于初始城市上；}for(index=0;indexn;index++){for(k=1;km;k++){按照概率选择下一个城市j；将刚刚选择的城市j加入到tabuk中；按公式(4)执行局部更新规则；}}确定本次循环中找到的最佳路径L=min(Lk),k=1,2,…,m;按照公式(5)更新信息素；ncycle=ncylce+1;}3.3蚁群算法——改进及扩展的离散蚁群算法—自适应蚁群算法**第131页，共209页，星期日，2025年，2月5日除了以上两种自适应改进蚁群算法外，还有很多离散域改进蚁群算法。虽然这些改进策略的侧重点和改进形式不同，但是其目的是相同的，及避免陷入局部最优，缩短搜索时间，提高蚁群算法的全局收敛性能。3.3蚁群算法——改进及扩展的离散蚁群算法—自适应蚁群算法**第132页，共209页，星期日，2025年，2月5日由于蚁群算法应用于离散优化问题所表现出的优异性能，很自然地让人想到把蚁群算法扩展到连续优化问题。由于离散优化问题和连续优化问题性质的不同，导致在信