ch2智能理论--蚁群算法(教学课件）.ppt

蚁群优化算法起源 20世纪90年代，意大利学者Dorigo等人从生物进化的机制中受到启发，通过模拟自然界蚂蚁搜索路径的行为，提出一种新型的模拟进化算法——蚁群算法，它是群智能理论研究领域的一种主要算法。 用该方法求解TSP问题、分配问题、job-shop调度问题取得了较好的试验结果。虽然研究时间不长，但是目前的研究显示出，蚁群算法在求解复杂优化问题（特别是离散优化问题）方面有一定优势，表明它是一种有发展前景的算法。 蚁群优化算法应用领域 蚁群算法能够用于解决大多数优化问题或者能够被转化为优化求解的问题。 目前，其应用领域已扩展到 多目标优化 数据分类 数据聚类 模式识别 生物系统建模 流程规划 信号处理 机器人控制 决策支持 仿真和系统辩识 蚁群优化算法研究背景 群智能理论研究领域有两种主要的算法： 蚁群算法(Ant Colony Optimization, ACO) 对蚂蚁群落食物采集过程的模拟 已成功应用于许多离散优化问题。 微粒群算法(Particle Swarm Optimization, PSO) 起源于对简单社会系统的模拟。 最初模拟鸟群觅食的过程，后来发现它是一种很好的优化工具。 蚁群优化算法研究背景 群智能依靠的是概率搜索算法。虽然概率搜索算法通常要采用较多的评价函数，但与梯度法及传统的演化算法相比，主要优点为： 无集中控制约束，不会因个别个体的故障影响整个问题的求解，确保了系统具备更强的鲁棒性 以非直接的信息交流方式确保了系统的扩展性 并行分布式算法模型，可充分利用多处理器 对问题定义的连续性无特殊要求 算法实现简单 蚁群优化算法研究背景 群智能方法的易于实现体现在： 算法中仅涉及各种基本的数学操作 数据处理过程对CPU和内存的要求不高 只需要目标函数的输出值，不需要它的梯度信息。 蚁群优化算法研究背景 已完成的群智能理论和应用方法研究证明 群智能方法能够有效解决大多数全局优化问题 群智能潜在的并行性和分布式特点为处理大量的、以数据库形式存在的数据提供了技术保证。 无论从理论研究还是应用研究的角度分析，群智能理论及其应用研究都是有重要学术意义和现实价值。 蚁群优化算法研究现状 从Dorigo在90年代最早提出蚁群算法—-蚂蚁系统(Ant System, AS)，并将其应用于解决TSP问题开始，基本的蚁群算法得到了不断的发展和完善，并在其他许多实际优化问题求解中进一步得到了验证。 AS改进版 共同点：增强蚂蚁搜索过程中对最优解的探索能力 差异：搜索控制策略 蚁群优化算法研究现状 最初提出的AS有三种版本：Ant-density、Ant-quantity、Ant-cycle 前两种算法中，蚂蚁在两个位置节点间每移动一次后即更新信息素。 Ant-cycle中，所有蚂蚁都完成了自己的行程后，才对信息素进行更新，而且每个蚂蚁所释放的信息素被表达为反映相应行程质量的函数。 与其它各种通用的启发式算法相比，在不大于75城市的TSP中，它们的求解能力比较理想。但是当问题规模扩展时，AS的解题能力大幅度下降。 蚁群优化算法研究现状 其后的ACO研究工作主要都集中在AS性能的改进方面。较早的一种改进是精英策略(Elitist Strategy)，其思想是： 在算法开始后，对所有已发现的最好路径给予额外增强，并将随后与之对应的行程记为Tgb(全局最优行程)，当进行信息素更新时，对这些行程予以加权，同时将经过这些行程的蚂蚁记为“精英”，从而增大较好行程的选择机会。 这种改进型算法能以更快的速度获得更好的解。但是若选择的精英过多，则算法会由于较早收敛于局部次优解，而导致搜索的过早停滞。 蚂蚁寻食过程 寻找路径时，在路径上释放出一种特殊的信息素。 碰到没有走过的路口，随机挑选一条路径，并释放出与路径长度有关的信息素。 路径越长，释放的激素浓度越低。 后来的蚂蚁再次碰到这个路口的时候，选择激素浓度较高路径概率相对较大。 正反馈：最优路径上激素浓度越来越大，其它路径上激素浓度随时间的流逝而消减。最终整个蚁群找出最优路径。 简化的蚂蚁寻食过程 蚂蚁从A点出发，速度相同，食物在D点。 可随机选择的路线：ABD或ACD。 设初始时每条路线分配一只蚂蚁，每单位时间行走一步 上图为经过9个时间单位时的情形：走ABD的蚂蚁到达终点，而走ACD的蚂蚁刚好走到C点，为一半路程。 简化的蚂蚁寻食过程 本图为从开始算起，经过18个时间单位时的情形： 走ABD的蚂蚁到达终点后得到食物又返回了起点A 走ACD的蚂蚁刚好走到D点。 简化的蚂蚁寻食过程 设蚂蚁每经过一处所留下的信息素为一个单位。 36个时间单位后，所有开始一起出发的蚂蚁都经过不同路径从D点取得了食物。 ABD的路线往返了2趟，每一处的信息素为4个单位 ACD的路线往返了1趟，每一处的信息素为2个单