目录
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