蚁群优化算法ACO原理个人笔记

蚁群优化算法

1.1 回归现实世界 - 蚁群觅食

现实世界中，蚂蚁的觅食通常是基于蚁群进行；具体地，蚁群排成一列，群体合作进行搬运。也由此引出一个问题：它们是如何确定最终排列的这一列的？
实际上，在寻找以及搬运食物的最初，路线一定是不止一条的，但这不影响绝大多数的路线在搬运过程中被淘汰，最后仅留下一条固定的搬运路线。
而蚂蚁实现这一群体交互的方式即其自身分泌的信息素。信息素在运动过程中被留下，从而在协作中实现群体交流。那么，如果我们能通过类似的“信息素”再现这一过程，是否也能在群体控制中达到类似的效果呢？
再现的前提即充分的理解，因此首先我们要理解蚂蚁觅食中的一些决策。

• 路径觅食路线选择：假设有一群蚂蚁从Start开始到Dest寻找食物，有A,B,C三条路可以走，其中A,B路等长，则能发现，一段时间后，A,B路的蚂蚁数量基本相等，而C路的蚂蚁会越来越少！

• 路径选择分析：假设一开始的蚂蚁都不知道全体路况，然后有三只蚂蚁分别探路，它们都随机选择了一条路开始觅食。为了分析便利，此处进行下列几个假设：
  • 每只蚂蚁速度相当且为一个L单位/单位时间；
  • 蚂蚁每一次经过一个点均留下一单位“信息素”（随时间挥发）。
• 则在这个情况下，当走C的蚂蚁拿到一次食物并搬回时，走A,B路径的蚂蚁已经往返两次，从而A,B两点已经有蚂蚁往返两次所留下的4个单位的“信息素”；而C路径的蚂蚁才实现一次往返，此时C点仅有2个单位的“信息素”，目前“信息素”比例为 2：2：1；
• 因此，其余蚁群大概得到A,B路径比C更快的信息，从而向A,B路径增派一只蚂蚁（此时，A,B路各有2只蚂蚁），C路径则不会有蚂蚁增派，这样再经历8个单位时间后，A,B路径已经有（4+2*4=12）个“信息素”，而C路径只有4个，此时的比例变为3：3：1；
• 按照这样的情况继续搬运，最终所有的蚂蚁都会选择走A,B路径，C路径会在过程中被放弃。

---

1.2 蚁群活动形式化 - 蚁群算法(Ant Colony Optimization)

• ACO：适用于在图上搜寻最优路径的解空间搜索方法。

ACO问题抽象化：在解空间中遍历搜寻最优解

觅食过程	蚁群优化算法过程
蚁群规模	搜索有效解的种群规模
觅食空间	问题空间（维度等）
信息素	信息浓度变量
所有的路径	解空间
最短觅食路径	最优解

ACO形式化：

1. 在路径释放信息素；
2. 碰到未遍历路径则随机挑选，同时释放与路径长有关的信息素；
3. 信息素浓度与路径长反比；后续蚂蚁再碰到路口则选择信息素浓度高路径；
4. 多轮遍历中最优路径的信息素浓度逐渐变高，从而寻得最优路径。

ACO算法流程：解决旅行商问题

旅行商问题（TSP）：一位旅者要旅行n个城市，要求为在每个城市仅经历一次后回到出发城市，且在此基础上总路程最短。类似的组合优化问题都可以使用蚁群优化算法进行解决。

• 算法参数初始化：蚁群规模，信息素及挥发因子，最大迭代次数，启发函数因子等；
• 问题预处理：传入参数，并将问题空间转化（如不同节点间到达关系转化为图等）；
• 将“蚂蚁”随机置放于不同出发点，对每个“蚂蚁”计算下一个访问点，直至其遍历完全部节点；
• 计算“蚂蚁”径路长度$l_k$，记录当前迭代次数下最优解同时更新路径信息素浓度；
• 若到达最大迭代次数或设置早停机制且满足则结束算法，否则开启下一轮迭代。

---

1.3 ACO在旅行商问题中的应用

• 问题形成

  • N个城市间的有向图 $G=(N,A)$，其中 N = { 1 , 2 , . . . , n } , A = { ( i , j ) ∣ i , j ∈ N } N=\{1,2,...,n\}, A=\{(i, j)| i, j \in N\} N={1,2,...,n},A={(i,j)∣i,j∈N};
  • 城市间距离为 $d_{ij}$，即i到j节点距离；
  • 优化目标$f（w）={\sum }_{l=1}^n{d}_{i_l-1}{d}_{i_l}$,即每个城市都遍历一次的总路程, $w=(i_1,i_2,...,i_n)$为城市的一个排列（即任意一个可行解）；

• 路径构建

  • 首先，算法会将m只蚂蚁随机放置在n个节点上，同时使其移动。在每一轮移动前，蚂蚁都会根据信息素去计算移动到下一城市概率。如，当前位于节点i的蚂蚁k选择下一个节点为j的概率为：$$p_{ij}^k(t)=\frac{(I_{ij}(t){)}^{\alpha }({\eta }_{ij}(t){)}^{\beta }}{{\sum }_{k\in allowed}(I_{ij}(t){)}^{\alpha }({\eta }_{ij}(t){)}^{\beta }}$$

  • 公式中，利用了类softmax的比例来表示选择概率，也说明了信息素浓度越大则选择概率也越大，即城市间距越短，选择概率越大。在公式内，选择也受到一定的权重控制，即$\alpha \beta$.

    • $I_{ij}(t)$表示t时刻于边 $(i,j)$的信息素浓度；
    • ${\eta }_{ij}(t)=1/d_{ij}$ 即基于距离的启发信息；
    • $\alpha \beta$为常数，用于控制信息素与启发信息的相对权重。

• 迭代更新

  • 由于城市间距信息为定值，则若信息素不变，每只蚂蚁在同一城市所会做出的选择就已经固定，因此每轮的更新需要通过更新信息素$I_{ij}(t)$实现，即对应现实中的信息素挥发。
    • 初始化：初始化全部边信息素浓度为常数$c$,此处需要注意初始值大小应适当：过小则无法影响启发信息，体现不了信息素的指导作用；过大则覆盖启发信息，容易陷入局部最优；
    • 每一轮迭代后模拟信息素挥发，避免信息素积累同时丢弃早期构建的较长路径；
    • 根据该轮每只蚂蚁的路径长度释放信息素，路径越短则信息素越多；参与轮数越多的蚂蚁获得的信息素也越多。
    • 信息素的更新公式：$${\Delta }_{I_{ij}}^k=\frac{Q}{L_k}$$ $$I_{ij}(t+1)=\delta I_{ij}(t)+{\Delta }_{I_{ij}}$$ $${\Delta }_{I_{ij}}=\sum _{k=1}^m{\Delta }_{I_{ij}}^k$$
    • Q为常数， $L_k$为蚂蚁在该轮走过的路径长度，$Q/L_k$即为第k只蚂蚁在路径上留下的平均信息素， $\delta$为小于1的常数（即体现信息素的挥发）。
    • 则，信息素的更新即，新的信息素浓度等于上一时刻信息素浓度的$\delta$倍（挥发），再加上本轮迭代中蚂蚁在该路径新释放的信息素浓度和。

个人笔记，侵删。

参考链接：【智能优化算法】蚁群算法ACO
参考链接：蚁群优化算法（ACO）详细介绍