0阶贝塞尔函数_工程优化设计与Matlab实现——蚁群算法（二）求解函数优化问题...

在上一篇中，我们介绍了蚁群算法（ACO）以及用蚁群算法解决旅行商（TSP）问题。（工程优化设计与Matlab实现——蚁群算法（一）求解旅行商问题）

在本篇中，我们来详细介绍使用蚁群算法解决函数优化问题。

蚁群算法（ACO）

Part 3 蚁群算法求解函数优化问题

Point 1 蚁群算法求解函数优化问题的基本原理

将m只蚂蚁随机放置在求解区域的空间点上

蚂蚁i在初始位置上的吸引强度（信息量）设为：

蚂蚁i先后移动两次吸引强度增量（信息量增量）为：

蚂蚁i根据吸引强度的增量更新自身的吸引强度（信息量）：

蚂蚁i与蚂蚁j所在空间点适应度期望值（启发量）为：

蚂蚁i依据概率

移动到蚂蚁j所在的位置，移动概率

为：

蚂蚁i在新的空间点处的坐标计算方法为：

• 先选择下一个点
  :（为了产生一个吸引强度增量）

• 新的空间点为
  邻域内的一个点:（为了探索新点）

其中下标i，j为蚂蚁标号，上标1,2分别表示蚂蚁移动前和移动后；rand为随机数；r为区间缩小因子（0<r<1）；上标k为区间缩小计数，取为计算循环次数，即随着迭代次数增多

越来越小；

保证蚂蚁i在

的邻域内移动，随着循环次数增加，蚂蚁向最优点靠近。

Point 2 函数优化问题与TSP问题的比较

与旅行商问题（TSP）比较，函数极值问题中的“信息量”与“启发量”表现形式略有区别。

“信息量”的区别

将TSP问题的“信息量”是“路径上的信息量”，而函数极值问题中的“信息量”是“蚂蚁自身的吸引强度”。其实两者本身就是一个概念，通往某一个城市“路径上的信息量”越多，该城市的吸引程度就越强；某个蚂蚁“自身的吸引程度”越强，相当于通往该蚂蚁当前位置的路径上的信息量越多。这就表现出了信息量是一个由总体范围（从迭代开始到当前的累积）决定的对选择概率的调整值。

“启发量”的区别

在TSP问题中的“启发量”是“两城市之间距离的倒数”，即两城市间的距离越小则启发量越小；而函数极值问题中的“启发量”是“两点之间函数值下降量”，即两点之间的函数值下降越大则启发量越大。这就表现出了启发量是一个由当前小范围（从一点到另一点）情况决定的对选择概率的调整值。

其他区别

在TSP问题中，城市的个数是有限个的；而在函数极值问题中，取值点的函数是无限个的。

在TSP问题中，我们要求总距离最小，也就是在讨论点到点的顺序，可以理解为点与点之间的关系；而在函数极值问题中，我们求的是某点的函数值最小，只与一个点有关。

由这两点区别，导致了我们在函数极值问题中不能像TSP那样在点与点之间轮换，我们还需要探索新点，即，在点的某一邻域内随机性的寻找新点。也正是因为点在不断变化，所以我们要将“信息量”从点与点之间的路径中转移到蚂蚁身上。

Point 3 蚁群算法求解函数优化问题的实现步骤

有了上一篇中TSP问题的基础，求解函数优化问题实现起来就十分容易。

同样，还是请我们的蚂蚁代表，小

同学登场，蚂蚁i一个循环中需要经过的步骤如下：

所有蚂蚁都按此过程走到新位置即完成一轮迭代。

Point 4 蚁群算法求解函数优化问题举例子

用蚂蚁算法求以下函数

的极小值。

目标函数定义：

function

蚁群算法求解函数优化问题主程序：

clc

计算结果为：

极小值随次数收敛图像：

0-100次收敛图像

局部放大，50-100次收敛图像

局部放大，80-100次收敛图像