目录
一、蚁群算法特点
(1)自组织算法
组织力和组织指令来自系统内部
(2)并行算法
蚂蚁搜索过程彼此独立,仅通过信息素进行通信
(3)正反馈算法
信息素堆积是一个正反馈的过程
二、基本蚁群算法及其流程
算法初始时刻,将m只蚂蚁随机放到n座城市,同时,将每只蚂蚁的禁忌表tabu的第一个元素设置为它当前所在城市。此时个路径上的信息素相等,接下来每只蚂蚁根据路径上残留的信息素量和启发式信息(两城市距离)独立地选择下一座城市,在时刻t,蚂蚁k从城市i转移到城市j的概率为:
当所有蚂蚁完成一次周游后,各路径上的信息素更新:
其中表示本次迭代中边上信息素的增量,即
表示第k只蚂蚁在被刺迭代中留在边上的信息素两,如果蚂蚁没有经过,则其值为零。
M。Dorigo提出了3中蚂蚁系统,上面这种称为ant-cycle模型,另外两种模型称为ant-quantity模型和ant-density模型,其差别主要在于
ant-quantity模型
ant-density模型
实验结果表明,ant-cycle模型比ant-quantity和ant-density模型有更好的性能。这是因为ant-cycle模型利用全局信息更新路径上的信息素量,而ant-quantity和ant-density模型使用局部信息
三、改进蚁群算法
1.精英蚂蚁系统
该算法将已经发现的最好解称为,而该路径在修改信息素轨迹时,人工释放额外的信息孙,以增强正反馈的效果。信息素修改功式为
式中,式调整影响权重的参数,而由下式给出
是已知最优路径的长度
2.最大最小蚂蚁系统
该算法主要有三方面不同
1)每次循环,只有一只蚂蚁进行信息素过呢更新,该蚂蚁可以是本次循环最优解,也可以是全局最优解
2)信息素轨迹量的值域限制在
3)信息素初始值设置在
3.基于排序的蚁群算法
蚂蚁按旅行长度排名(短的靠前),蚂蚁释放的信息素的量要和蚂蚁的排名相乘。每次循环中,排名前位的蚂蚁和精英蚂蚁才允许释放信息。排名第位的蚂蚁乘以系数
4.自适应蚁群算法
自适应地改变的值。的初始值;当算法求得的最优值在次循环内没有明显改进时,减为
四、例题
求函数 的最小值,其中 x的取值范围为 [–5,5],y的取值范围为 [–5,5]。这是一个有多个局部极值的函数,其函数值图形如下图所示。
解:仿真过程如下:
(1)初始化蚂蚁个数 m = 20,最大迭代次数 G = 500,信息素蒸发系数 Rho = 0.9,转移概率常数 P0 = 0.2,局部搜索补偿 step = 0.1。
(2)随机产生蚂蚁初始位置,计算适应度函数值,设为初始信息素,计算状态转移概率。
(3)进行位置更新:当状态转移概率小于转移概率常数时,进行局部搜索;当状态转移概率大于转移概率常数时,进行全局搜索,产生新的蚂蚁位置,并利用边界吸收方式进行边界条件处理,将蚂蚁位置界定在取值范围内。
(4)计算新的蚂蚁位置的适应度值,判断蚂蚁是否移动,更新信息素。
(5)判断是否满足终止条件:若满足,则结束搜索过程,输出优化值;若不满足,则继续进行迭代优化。
%%%%%%%%%%%%%%%%%%%%蚁群算法求函数极值%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%初始化%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
clear all; %清除所有变量
close all; %清图
clc; %清屏
m=20; %蚂蚁个数
G_max=200; %最大迭代次数
Rho=0.9; %信息素蒸发系数
P0=0.2; %转移概率常数
XMAX= 5; %搜索变量x最大值
XMIN= -5; %搜索变量x最小值
YMAX= 5; %搜索变量y最大值
YMIN= -5; %搜索变量y最小值
%%%%%%%%%%%%%%%%%随机设置蚂蚁初始位置%%%%%%%%%%%%%%%%%%%%%%
for i=1:m
X(i,1)=(XMIN+(XMAX-XMIN)*rand);
X(i,2)=(YMIN+(YMAX-YMIN)*rand);
Tau(i)=func(X(i,1),X(i,2));
end
step=0.1; %局部搜索步长
for NC=1:G_max
lamda=1/NC;
[Tau_best,BestIndex]=min(Tau);
%%%%%%%%%%%%%%%%%%计算状态转移概率%%%%%%%%%%%%%%%%%%%%
for i=1:m
P(NC,i)=(Tau(BestIndex)-Tau(i))/Tau(BestIndex);
end
%%%%%%%%%%%%%%%%%%%%%%位置更新%%%%%%%%%%%%%%%%%%%%%%%%
for i=1:m
%%%%%%%%%%%%%%%%%局部搜索%%%%%%%%%%%%%%%%%%%%%%
if P(NC,i)<P0
temp1=X(i,1)+(2*rand-1)*step*lamda;
temp2=X(i,2)+(2*rand-1)*step*lamda;
else
%%%%%%%%%%%%%%%%全局搜索%%%%%%%%%%%%%%%%%%%%%%%
temp1=X(i,1)+(XMAX-XMIN)*(rand-0.5);
temp2=X(i,2)+(YMAX-YMIN)*(rand-0.5);
end
%%%%%%%%%%%%%%%%%%%%%边界处理%%%%%%%%%%%%%%%%%%%%%%%
if temp1<XMIN
temp1=XMIN;
end
if temp1>XMAX
temp1=XMAX;
end
if temp2<YMIN
temp2=YMIN;
end
if temp2>YMAX
temp2=YMAX;
end
%%%%%%%%%%%%%%%%%%蚂蚁判断是否移动%%%%%%%%%%%%%%%%%%
if func(temp1,temp2)<func(X(i,1),X(i,2))
X(i,1)=temp1;
X(i,2)=temp2;
end
end
%%%%%%%%%%%%%%%%%%%%%%%更新信息素%%%%%%%%%%%%%%%%%%%%%%%
for i=1:m
Tau(i)=(1-Rho)*Tau(i)+func(X(i,1),X(i,2));
end
[value,index]=min(Tau);
trace(NC)=func(X(index,1),X(index,2));
end
[min_value,min_index]=min(Tau);
minX=X(min_index,1); %最优变量
minY=X(min_index,2); %最优变量
minValue=func(X(min_index,1),X(min_index,2)); %最优值
figure
plot(trace)
xlabel('搜索次数');
ylabel('适应度值');
title('适应度进化曲线')
%%%%%%%%%%%目标函数
%%%%%%%%%%%%%%%%%%%%%%%适应度函数%%%%%%%%%%%%%%%%%%%%%%%
function value=func(x,y)
value =20*(x^2-y^2)^2-(1-y)^2-3*(1+y)^2+0.3;
end