复杂系统学习（八）：基于代理的模型II——模型开发和应用

目录

1. 关于代理和复杂系统的工程视角

1.1 问题：包裹运送

1.2 流动推销员问题

1.3 蚁群优化（ACO）

1.3.1 蚁群优化算法

---

 

1. 关于代理和复杂系统的工程视角

ABMs的目标通常是为现实世界的复杂系统的工作方式提供解释性的见解；例如：

• 在没有中央领导者的情况下，蚂蚁群是如何觅食的？
• 一种传染病如何在人群中传播？
• 代理人做出自利的决定会产生什么样的市场动态？

自然发生的复杂系统也为计算、工程和系统设计中的现实问题提出了新的、有潜在价值的解决方案；例如：

• 优化算法
• 负载平衡 
• 交通管理
• 计算机图形和游戏
• 供应链和物流 
• 机器人技术

1.1 问题：包裹运送

澳大利亚邮政是澳大利亚邮政服务的主要提供者，最近的趋势是，从交付信件到包裹的转变。  

• 信件：固定的目的地和路线 
• 小包：每天的目的地都不一样 

2015年圣诞节，2015年12月期间每天交付130万个包裹。每天都有不同的地址，什么是司机最有效的路线？如果一个典型的司机在每天运送50个包裹，有多少条可能的路线？ 

其中一些显然是次优的，但最佳（最短）路线不一定清楚。

1.2 流动推销员问题

 给出一个城市列表，以及每对城市之间的距离，什么是最短的可能路线，正好访问所有城市一次，并返回到原来的城市。

1832年首次在德国提出，20世纪30年代，美国为规划校车路线而进行了数学描述和分析。在1972年被证明是 NP-完备性

NP-完备性

• 解决方案可以在多项式时间内被验证
• 无法在多项式时间内找到解决方案（可能是指数级的）。
• 通常需要启发式或近似的方法 
• 常常被用作优化算法的基准问题 

1.3 蚁群优化（ACO）

蚂蚁群显示出一种定位有效路线的能力。

这种能力可以用来识别网络中节点之间的有效路径 。

该方法由Marco Dorgio于1992年开发。

广泛应用于车辆路由和调度问题，也包括图像处理、电路设计和其他问题。

1.3.1 蚁群优化算法

将N只蚂蚁随机分配到各节点（目的地）。

每只蚂蚁随机选择一个新的节点前往，依据是：

• 通往该节点的边缘上的信息素浓度（用加权） 
• 与该节点的距离（用加权） 
• 它之前必须没有访问过该节点。

重复第2步，直到每只蚂蚁都访问了所有节点。

计算每只蚂蚁的总路线长度。

获得最短路线的蚂蚁沿其路线上的边存放信息素（其浓度与路线长度成反比）。

信息素的蒸发速度为