【其他】结构技术优化算法--蚁群算法（ant colony optimization）

最新推荐文章于 2024-08-02 00:49:45 发布

lazy-sheep

最新推荐文章于 2024-08-02 00:49:45 发布

阅读量2.8k

点赞数 4

分类专栏：算法其他文章标签：蚁群算法

本文链接：https://blog.csdn.net/zsjzliziyang/article/details/111764482

版权

本文介绍了遗传基因算法、模拟退火算法和群体智能算法，重点讲解了蚁群算法的工作原理和应用。蚁群算法源于蚂蚁觅食行为，通过信息素的动态传播和挥发，实现全局搜索能力。文章还提到了群体智能算法中的粒子群优化算法，以及在结构设计优化领域的应用。

摘要由CSDN通过智能技术生成

1 遗传基因算法

遗传算法（Genetic Algorithms，GA）由J.Holland教授（美国）1975年首先提出，是一种灵感源于达尔文自然进化理论的启发式搜索算法。该算法反映了自然选择的过程，即最适者被选定繁殖，并产生下一代。

运算过程为初始化→个体评价→选择运算→交叉运算→变异运算→终止条件判断，运算过程就如物竞天择、适者生存，只有被选择的个体才会把自己的基因传下去。下面就用一个有趣的例子，帮助大家理解。

我想让机器人小i画出我的梦中情人（最优解）。小i当然不知道我梦中情人长啥样。小i的内心是奔溃的，只能一张张试。先画一张，问我像不像？我说不像，小i就重新画一张，直到我觉得像。

然而小i又不会画画，只会填格子。于是小i准备了一张1000×1000的格子纸，每个格子可以填黑色或者白色。那么总共有21000000种画法。如果我能坚持到宇宙毁灭，那可以每张都看，然后找到那个最像的，显然我和我的梦中情人都坚持不到。

于是我只允许小i画10万张，画不出来我就砸了它。小i很紧张，开始想办法，终于想到了遗传算法。

第一轮，小i随机画了1万张（初始种群）。这1万张里面，各种乱七八糟，有像星空的，像猪的，像石头的，等等。然后小i让我挑最像的（个体评价）。我强忍怒火，挑出来一堆猪、猴、狗，好歹是哺乳动物（选择运算）。

小i拿着我挑的“猪猴狗们”，如获至宝，开始第二轮，将这些画各种交叉变异一下。比如把一幅画的耳朵跟另一幅的鼻子换一下（交叉运算），或者再随机改个眼睛（变异运算）。然后又生成了1万张图让我挑。我挑出来一堆猴子猩猩，好歹是灵长类动物。

如此反复好多轮后，挑出来的开始像人了，虽然有男人、女人。慢慢地，开始有美女了。再慢慢地，就越来越像了。在画了10万张图后，终于找到一张还不错的。虽然可能不是梦中情人（精确解），但也很像了（次优解）。

这就是遗传算法。

虽然我们已经知道了遗传基因算法的计算过程，但真正使用它，需要大量的编程。因此，对于普通结构设计人员，应用智能优化算法解决实际设计问题存在很大的难度。Grasshopper中开发了相应的优化算法模块，工程师可以利用这个模块便利的解决复杂问题，例如建筑设计中结构优化、幕墙优化等。

下面是一个二维运算的简单例子，介绍Grasshopper优化模块的原理。下图为一个山脉模型，这个模型包含了两个变量（近似看为X、Y坐标），他们可以同时变化。我们需要找出最高山峰处所对应的坐标值。

在一开始，电脑随即洒出一大堆随机点，我们假定为100个。随后选出位置较高的50个点，并在其周围再随即布置100个点，可以知道这100个点相对于他们上一代，更加靠近山峰。后面不断重复上一步，直到找到最顶峰的点。以上以二维山峰优化为例，计算机当然不止能运算二维变量，当我们初始变量不断增加时，也能得出最优解。当然，所需时间也更长。

2 模拟退火算法

2.1爬山算法

介绍模拟退火前，先介绍爬山算法。爬山算法是一种简单的贪心搜索算法，该算法每次从当前解的临近解中选择一个最优解作为当前解，直到达到一个局部最优解。

爬山算法实现很简单，其主要缺点是会陷入局部最优解，而不一定能搜索到全局最优解。如下图所示：假设C点为当前解，爬山算法搜索到A点这个局部最优解就会停止搜索，因为在A点无论向那个方向小幅度移动都不能得到更优的解。

这就是简单的爬山算法思想。

2.2随机概率优化

爬山法是完完全全的贪心法，每次都鼠目寸光的选择一个当前最优解，因此只能搜索到局部的最优值。模拟退火其实也是一种贪心算法，但是它的搜索过程引入了随机因素。模拟退火算法以一定的概率来接受一个比当前解要差的解，因此有可能会跳出这个局部的最优解，达到全局的最优解。以上图为例，模拟退火算法在搜索到局部最优解A后，会以一定的概率接受到E的移动。也许经过几次这样的不是局部最优的移动后会到达D点，于是找到更优的B点。