蚁群算法应用及改进研究.ppt

4 模拟退火蚁群算法 算法结合思路 优点 缺点 模拟退火算法 较大范围快速全局搜索 冗余迭代，解质量较低 蚁群算法 解质量高 求解速度慢 模拟退火算法 蚁群 算法 模拟退火蚁群算法 本文基于模拟退火算法与蚁群算法各自优缺点，希望将两者混合解决旅行商问题，采用模拟退火算法生成信息素分布，再利用蚁群算法求得质量较优的解，同时在蚁群算法寻求最优解过程中采用模拟退火的邻域搜索策略，进一步改善解的质量。 邻域搜索策略 模拟退火算法是目前最成功的启发式邻域搜索算法。 改进方法 利用模拟退火算法生成初始信息素分布 模拟退火算法邻域搜索思想且接受恶化解 最大最小蚂蚁系统思想只记录最好解 算法优化性能测试 算法 Oliver30 att48 平均值 最优值 最差值 平均值 最优值 最差值 基本蚁群算法 450.0346 441.9581 499.9331 35876 36532 42234 模拟退火算法 438.5223 424.6918 479.8312 34958 35176 40536 混合算法策略A 438.4350 424.6354 457.9062 34991 35175 38684 混合算法策略B 435.4220 424.2003 447.3223 34711 35197 37790 混合算法策略C 438.4777 424.1972 465.9935 34035 35305 39367 混合算法策略D 431.4987 423.7406 447.6865 33798 33522 36821 算法性能测试结果（运行20次） 改进算法优化性能小结 模拟退火算法能够在全局范围进行搜索，但是对信息的反馈没有很好的机制，导致计算进行到一定范围后会出现大量的冗余计算；而蚁群算法的一大特点就是信息素的正反馈机制，为保证求得最优解，必然牺牲求解速度，否则容易陷入较差解，而在开始阶段由于信息素缺乏导致了求解速度慢的现象并不会对解的质量有所贡献。因此这两种算法的结合，初期由模拟退火算法生成信息素分布，解决了蚁群算法在初期由于信息素较少而求解慢的问题，加速其初期求解速度，而后利用蚁群算法求取最优解，使得其在求取较优解的同时保证收敛速度。 模拟退火蚁群算法中，在寻优时按照模拟退火的邻域搜索思想且允许解在一定范围内变坏，而蚁群算法直接基于正反馈机制，可能导致陷入局部最优或较差解的陷阱。混合算法在寻优过程中加大了搜寻范围，提升最终解的质量。 蚂蚁搜索路径后当且仅当新搜寻的路线小于给定的值时，才会在该路径留下信息素，避免干扰接下来的寻优过程。 提升蚁群算法初期收敛速度 寻优过程提高解质量 提升寻优过程求解速度 5 总结与展望 工作内容总结 对蚁群算法基本模型进行了研究 本文从其历史与发展出发以了解其本质；进一步介绍蚁群算法基本数学模型，并将其应用于经典的旅行商问题（TSP）进行建模；案例分析部分以“公共自行车调度问题”进一步应用蚁群算法应用于实际当中，并运用Matlab编程寻找实际问题最优解。 提出改进蚁群算法——模拟退火蚁群算法 本文发现原始蚁群算法自身缺点——保证精确解时求解速度慢，于是结合模拟退火算法优点——全局搜索能力强且可求得较优解，提出模拟退火蚁群算法。 改进后的蚁群算法在初期利用模拟退火算法生成信息素分布，另外在寻优过程中结合最大最小蚂蚁系统思想，仅记录优化的解，并基于模拟退火算法的邻域搜索思想提出4种搜索策略以提升解的质量，且经测试逆转策略性能最优。 最终模拟退火蚁群算法在以下方面对蚁群算法进行了改进： （1）提升了蚁群算法初期收敛速度 （2）寻优过程中提高了解质量 （3）提升了寻优过程求解速度 即模拟退火蚁群算法在运算效率和最终结果上都比单一的算法有了较大的改善，在求得精确解的前提下保证了求解速度。 存在问题及研究展望 戴家玮 1432621 夏侯雪 1432622 苗雁家 1432626 蔡惠欣 1432690 王雪莹 1432693 * 本研究以旅行商问题为出发点，对蚁群算法及其改进方式进行研究，希望将模拟退火算法与蚁群算法相结合，提出模拟退火蚁群算法，对基本蚁群算法进行改进，在提高解质量的同时加速蚁群算法收敛速度。 * 在双桥实验后，Deneuborug和他同事尝试用数学方法解释在实验中观察到的蚁群现象，提出了一个简单的随机模型，形成了蚂蚁系统和蚁群系统的雏形。假设信息素不会挥发（实验进行的时间很短，故可不考虑信息素挥发的情况）。 * 在每个站点随机设置蚂蚁数量，每只蚂蚁都走独立的回路。在经过每一个站点，需要计算出： ①能满足调度车容量约束或下一站补给约束的站点的列表； ②计算下一站点列表中的转移概率，并用生成的随机数选择其中一个座位下一站点。 重复以上两个步骤，直到蚂蚁完成一个回路。随后计算所有蚂蚁在此次迭代步骤中的最优