蚁群算法简单解读
1.仿生学背景
蚂蚁在寻找食物的过程中,会在经过的道路上留下信息素。
起初蚂蚁不知道食物在哪儿,于是在经过的道路上留下浓度一致的信息素。在同样的时间内,绕远路的蚂蚁和走近路的蚂蚁消耗了等量的信息素,等量的信息素均匀分布在道路上,自然是近路上的信息素浓度更高。
当下一只蚂蚁寻找食物的时候,就会主动选择信息素浓度高的路,并留下新的信息素,使之浓度更高。而那些远路上的信息素就会因为很少有蚂蚁经过逐渐淡去。可见,蚂蚁寻路是一个正反馈网络,最终蚁群将找到最近的道路。
2.算法关键
- 每个个体都代表一条道路,个体对应的目标函数值即为道路的信息素浓度。
- 个体的运动距离随信息素浓度而定。若该个体的信息素浓度与最大浓度相差甚远,则需往任意方向迈一大步。若相差无几,则只需迈一小步。
- 如果运动后该个体的信息素浓度反而变小了,则视作无效,需重新运动。
- 运动的高度随机性使得结果不局限于局部最优值。
- 该算法是一个循环过程,每一次循环都使所有的个体运动一次。
3.算法简明流程
- 首先随机产生N个初始个体,使之随机分布在函数的可行域上。
- 然后计算每个个体的初始信息素浓度,即个体对应的目标函数值,并记录最大浓度值。
- 移动每个个体。若该个体信息素浓度与最大浓度相差甚远,则进行一次大调整(如x=x+max_step*(rand(1)-0.5)),反之则进行一次小调整(如x=x+min_step*(rand(1)-0.5))。运动完毕后,检查新位置的信息素浓度是否大于原位置,若不大于则重新调整。
- 所有的个体都有效的移动一次后,刷新每个个体的信息素浓度,并记录新的最大浓度值。
- 重复移动,直到最大浓度值满足预设要求。