2023.11.1学习-蚁群算法_τ(i, j)表示边(i, j)上的信息素量-CSDN博客

本文链接：https://blog.csdn.net/qianyeguiji/article/details/134172810

2023.11.1学习-蚁群算法

蚁群算法（Ant Colony Algorithm, ACA）

算法背景

模拟自然界中蚂蚁的觅食行为：蚂蚁在寻找食物源时，会在其经过的路上释放信息素，并能够感知其他蚂蚁释放的信息素，蚂蚁会以较大概率优先选择信息素浓度较高的路径。

在这里插入图片描述

若蚂蚁要从出发点A到达目的地E，中间存在障碍物，初始时由于没有信息素（或信息素相等），蚂蚁向左和向右走的概率是相等的，且都会留下信息素；但是，由于信息素浓度会随时间的推进而逐渐衰减，C侧路径的残余信息素浓度会高于H侧，导致吸引蚂蚁的概率更高，从而这条较短路径上积累的信息素浓度越来越高，又使得选择该路径的蚂蚁个数也越来越多，形成了正反馈；最终，所有蚂蚁都会集中到这条最佳的路径上。

从蚁群的行为上可以得到结论：信息素的浓度的大小表征路径的远近，信息素的浓度越高，表示对应的路径越短。

使用蚁群算法解决优化问题的基本思路：用蚂蚁的行走路径表示待优化问题的可行解，整个蚂蚁群体的所有路径构成待优化问题的解空间。由于正反馈机制，随着时间的推进，最终，所有蚂蚁都会集中到最佳的路径上，此时对应的便是问题的最优解。

蚁群算法最早在解决旅行商问题（Travelling salesman problem, TSP）较为有效。

（旅行商问题：给定一系列城市和每对城市之间的距离，求解访问每一座城市一次并回到起始城市的最短回路。）

TSP问题可以表达为：求解遍历图G=(V,E,C)，所有的节点一次并且回到起始节点，使得连接这些节点的路径成本最低。

旅行商问题的算法流程图：

在这里插入图片描述

蚁群算法原理

设整个蚁群的蚂蚁数量为m，城市数量为n，城市 i 与城市 j 之间的相互距离为d_ij(i, j = 1, 2, …, n)，t时刻城市 i 与城市 j 连接路径上的信息素浓度为τ_ij(t)。初始时刻，各个城市之间连接路径上的信息素浓度相同，τ_ij(0) = τ₀。

蚂蚁k(k = 1, 2, …, m)根据各个城市间连接路径上的信息素浓度决定下一个访问城市，设其在t时刻从城市 i 转移到城市 j 的概率为P_k：
在这里插入图片描述

其中，τ_ij表示边(i, j)上的信息素量；η_ij是一个启发函数，通常由η_ij= 1/ d_ij直接计算，表示蚂蚁从城市 i 到城市 j 的期望程度；α为信息素重要程度因子，其值越大，表示信息素的浓度在转移中起的作用越大；β为启发函数重要程度因子，其值越大，表示启发函数在转移中的作用越大，即蚂蚁会以较大的概率转移到距离短的城市。

J_k(k = 1, 2, …, m)为蚂蚁k待访问的城市的集合；**禁忌表tabu_k**记录了蚂蚁k当前走过的城市，当所有n座城市都加入禁忌表tabu_k中时，蚂蚁k便完成了一次周游，此时蚂蚁k所走过的路径便是TSP问题的一个可行解。

在蚂蚁行走并释放信息素的同时，各个城市间连接路径上的信息素逐渐自然消失，设参数ρ(0 < ρ <1)表示信息素的挥发程度。当所有蚂蚁完成一次周游后，各路径上的信息素根据下式更新：
$\tau_{ij}(t+n)=(1-\rho)·\tau_{ij}(t)+\Delta \tau_{ij}$