蚁 群 优 化 算 法
(ACO算法)
一、概述
二、蚂蚁系统(AS)
三、算例
四、改进的ACO算法
一、概述
(一)算法背景——蚁群的自组织行为特征
1、高度结构化的组织——虽然蚂蚁的个体行为极其
简单,但由个体组成的蚁群却构成高度结构化的社会
组织,蚂蚁社会的成员有分工,有相互的通信和信息
传递。
2、自然优化——蚁群在觅食过程中,在没有任何提示
下总能找到从蚁巢到食物源之间的最短路径;当经过的
路线上出现障碍物时,还能迅速找到新的最优路径。
3、信息正反馈——蚂蚁在寻找食物时,在其经过的路
径上释放信息素(外激素)。蚂蚁基本没有视觉,但能
在小范围内察觉同类散发的信息素的轨迹,由此来决定
何去何从,并倾向于朝着信息素强度高的方向移动。
4、自催化行为——某条路径上走过的蚂蚁越多,留下
的信息素也越多(随时间蒸发一部分),后来蚂蚁选择
该路径的概率也越高。
(二)算法的产生与发展
1、产生——受蚁群觅食行为启发,意大利学者M.Dorigo
于1991年在其博士论文中首次系统地提出一种基于蚂蚁种群
的新型智能优化算法“蚂蚁系统(Ant system,简称AS)”,
并用该法求解旅行商问题,获得了较好的效果。
2、发展——后来,提出者及许多研究者对该算法作了各种
改进,将其应用于更为广泛的领域,如图着色问题、二次分
配问题、工件排序问题、车辆路径问题、车间作业调度问题、
网络路由问题、大规模集成电路设计等。近些年来,M.Dorigo
等人把蚂蚁算法进一步发展成一种通用的优化技术“蚁群优化
(Ant Colony Optimization,简称ACO)”,并将所有符合ACO
框架的算法称为“蚁群优化算法(ACO algorithm)”。
3、展望——初步的研究结果已显示出ACO算法在求解复杂
优化问题,特别是离散优化问题方面的优越性。虽然严格的
理论基础尚未奠定,但从当前的应用效果来看,此算法具有
光明的发展前景。
(三)特点
◆是一种基于多主体的智能算法,不是
单个蚂蚁行动,而是多个蚂蚁同时搜索,
具有分布式的协同优化机制。
◆本质上属于随机搜索算法(概率算法),
具有概率搜索的特征。
◆是一种全局搜索算法,能够有效地避免
局部最优。
(四)优点
◆求解问题的快速性——由正反馈机制
决定;
◆全局优化性——由分布式计算决定,
避免蚁群在寻优空间中过早收敛;
◆有限时间内答案的合理性——由贪婪
式搜索模式决定,使能在搜索过程的早期
就找到可以接受的较好解。
二、蚂蚁系统(AS算法)——最早的ACO算法
(一)算法基本思想(以旅行商为例说明)
1、根据具体问题设置多只蚂蚁,分头并行搜
索。
2、每只蚂蚁完成一次周游后,在行进的路上
释放信息素,信息素量与解的质量成正比。
3、蚂蚁路径的选择根据信息素强度大小(初
始信息素量设为相等),同时考虑两点之间的距
离,采用随机的局部搜索策略。这使得距离较短
的边,其上的信息素量较大,后来的蚂蚁选择该
边的概率也较大。
4、每只蚂蚁只能走合法路线(经过每个城市
1次且仅1次),为此设置禁忌表来控制。
5、所有蚂蚁都搜索完一次就是迭代一次,每
迭代一次就对所有的边做一次信息素更新,原
来的蚂蚁死掉,新的蚂蚁进行新一轮搜索。
6、更新信息素包括原有信息素的蒸发和经过
的路径上信息素的增加。
7、达到预定的迭代步数,或出现停滞现象
(所有蚂蚁都选择同样的路径,解不再变化),
则算法结束,以当前最优解作为问题的最优解。
(二)参数含义及符号
m
k
t
n
ijd
ij
——蚂蚁数量;
——蚂蚁编号;
——时刻;
——城市数;
——城市 之间的距离;
i,
——启发式因子(能见度),反映蚂蚁由
城市 转移到城市 的启发程度;
j
i
j
ij ——边 上的信息素量;
i,
j