蚁群优化算法
M. Dorigo, V. Maniezzo and A. Colorni, “Ant system: optimization by a colony of cooperating agents,” in IEEE Transactions on Systems, Man, and Cybernetics, Part B (Cybernetics), vol. 26, no. 1, pp. 29-41, Feb. 1996, doi: 10.1109/3477.484436.
文章目录
一、Introduce
蚁群优化算法的特点:
1、通用性,因为它可以应用于相同问题的类似版本; 例如,从旅行商问题(TSP)到非对称旅行商问题(ATSP)有一个直接的扩展。
2、稳健性。 它可以应用于其他组合优化问题,如二次分配问题(QAP)和作业车间调度问题(JSP)。
3、基于群体。 这很有趣,因为它允许利用正反馈作为一种搜索机制。
蚁群优化算法的基本思想:
用来在个体之间传递关于路径的信息,并用来决定去哪里的媒介由信息素踪迹组成。 一只移动的
蚂蚁在地面上放置一些信息素(数量不等),从而用这种物质的踪迹来标记路径。 虽然一只孤立的蚂蚁基本上是随机移动的,但遇到先前铺设的踪迹的蚂蚁可以检测到它,并以很高的概率决定跟随它,从而用自己的信息素加强踪迹。 在这种行为中,跟随一条踪迹的蚂蚁越多,该踪迹就越有吸引力。
二、The ant system
TSP问题:寻找一个最小长度的封闭旅游,每个城镇只可以访问一次的问题。
公式一:痕迹强度更新
τij:时间为t时边(i,j)上的痕迹强度
ρ:一个系数,代表痕迹遗留,使(1-ρ)代表时间t和t+n之间的痕迹蒸发。ρ必须 < 1,不然会造成痕迹无限积累
公式二:
第k只蚂蚁在时间t 和t+n之间铺设在边缘(i,j)上的每单位长度的痕迹物质。
公式三:
Q:常量
Lk:第k只蚂蚁的旅行长度。
tabu:保存了到时间t为止已经访问的城镇,并禁止蚂蚁在完成n次迭代前再次访问他们。、
公式四:过度概率
ŋij :能见度,= 1/dij。
这个量在运行过程中不变。
ɑ、β:控制痕迹强度和可见度的相对重要性的参数。
过渡概率是 能见度和时间t时的痕迹强度之间的权衡。
三、The Algorithm
1、ant-cycle algorithm
-
算法流程:
-
1.初始化:
• 在零点时候,蚂蚁被安置在不同的城镇上,并在边缘上设置痕迹强度的初始值τij(0)。
• 每只蚂蚁的tabu列表的第一个元素被设置为其起始的城镇。 -
2.移动
• 每只蚂蚁从城镇 i → j,选择城镇时的概率由过渡概率决定。
• τij(t)给出了关于过去有多少只蚂蚁选择了相同的边缘的信息。
• ŋij表示越靠近一个城镇,它越受欢迎。
• 当ɑ =0 时,就不再考虑痕迹,会得到一个具有多起点的随机贪婪算法。 -
3.重复
经过n次迭代后,(n为城镇数量
)所有蚂蚁完成一次旅行,tabu列表被填满。
• 对于每只蚂蚁,Lk已知,则可以根据公式三更新新的值。
• 保存蚂蚁的最短路径(Min Lk)。
• 清空所有的tabu列表。
• 重复,直到达到最大的NCmax。 -
具体流程
-
-
时间复杂度
2、ant-density algorithm
与ant-cycle 的区别:痕迹的更新方式,蚂蚁在每一步都会铺设它的足迹,不需要等待旅行的结束。
在蚂蚁密度模型中,当一只蚂蚁从 i 到 j 时,边(i,j)上的痕迹增加与dij 无关。
3、ant-quantity algorithm
与ant-cycle 的区别:同上
在蚂蚁数量模型中,边(i,j)上的痕迹与dij 成反比。也就是说,较短的边被蚂蚁认为是理想的边。
在蚁密模型和蚁量模型中,蚂蚁在建立方案的同时释放信息素,利用的是局部信息,而蚁周模型是在蚂蚁已经建立了完整的轨迹后再释放信息素,利用的是整体信息。
还没写完ww
总结
提示:这里对文章进行总结: