Ant System:Optimization by a colony of cooperation agents(蚁群优化算法）

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.

---

---

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

τ_ij：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
L_k：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

ŋ_ij ：能见度，= 1/d_ij。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。
    • τ_ij（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。
    • ŋ_ij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，L_k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 L_k）。
    • 清空所有的tabu列表。
    • 重复，直到达到最大的NC_max。

  • 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d_ij 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d_ij 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：