优化算法3--蚁群算法(原理)
1 算法简介
优化问题在科学和工业领域都非常重要。这些优化问题的实际例子有时间表调度、护理时间分配调度、列车调度、容量规划、旅行商问题、车辆路径问题、群店调度问题、组合优化等。为此,开发了许多优化算法。蚁群优化就是其中之一。
蚁群优化(Ant colony optimization,ACO))是一种寻找 最优路径 的 概率 技术。在计算机科学和研究中,蚁群优化算法被用于解决不同的计算问题。
蚁群优化算法(Ant colony optimization, ACO)最早由Marco Dorigo在90年代的博士论文中提出。该算法是根据蚂蚁的觅食行为来寻找蚁群与源食物之间的路径。最初,它被用来解决著名的旅行推销员问题。后来,它被用于解决各种困难的优化问题。
蚂蚁是群居的昆虫。他们生活在殖民地。蚂蚁的行为受 寻找食物 目标的控制。
在 搜寻的过程 中,蚂蚁们会在它们的聚居地四处游荡。蚂蚁 反复 地从一个地方跳到另一个地方去寻找食物。
在 移动过程 中,它会在地面上沉积一种叫做 信息素 (pheromone) 的有机化合物。蚂蚁通过信息素痕迹相互交流。当蚂蚁找到一些食物时,它会尽可能多地携带。
当它 返回 时,它会根据食物的数量和质量在路径上 沉积信息素。蚂蚁能闻到信息素。所以,其他蚂蚁可以闻到,然后沿着那条路走。
信息素 水平 越高,选择 那条路径的 概率越高,跟随那条路径的蚂蚁越多,那条路径上信息素的数量也会增加。
案例:
1 起初,地面上没有信息素。因此,选择这两条路径的概率是等于50%。
2 这两条路径的距离是不同的。走较短路径的蚂蚁会比其他蚂蚁更早到达食物。
3 在找到食物后,它会随身携带一些食物,然后返回蜂巢。当它追踪返回的路径时,它会将信息素沉积在地面上。走较短路径的蚂蚁会更早到达蚁群。
4 当第三只蚂蚁想出去寻找食物时,它会根据地面上的 信息素水平,选择 距离较短的 路径。由于较短的路径比较长的路径具有更多的信息素,第三只蚂蚁将沿着信息素较多的路径行走。
5 当蚂蚁沿着较长的路径返回蚁群时,更多的蚂蚁已经沿着信息素水平较高的路径返回。
然后,当另一只蚂蚁试图从蚁群到达目的地(食物)时,它会发现每条路径都有相同的信息素水平。它 随机选择 一个。
6 重复这个过程一遍又一遍,经过一段时间后,较短的路径比其他路径的信息素水平更高,跟随该路径的概率也更高,下一次 所有的蚂蚁 都会跟随较短的路径。
蚁群算法针对不同的蚁群问题,提出了三种不同版本的蚁群算法:
蚁群密度与蚁群数量:当蚂蚁从一个位置移动到另一个位置时,信息素就会更新。
蚁群周期:在 所有蚂蚁 完成它们的旅程后更新信息素。
大致步骤:
第一步,每只蚂蚁 生成 一个解。
第二步,比较 不同蚂蚁找到的路径。
第三步,更新 路径值或信息素。
2 算法流程
蚁群算法框架如下:
蚁群算法主要由初始化、解构建和信息素更新三部分组成:
步骤1 初始化。
包括信息素初始化,启发信息初始化,以及种群规模、信息素挥发率等 参数初值 的设置。
步骤2 解构建。
解构建是蚁群算法迭代运行的基础,是算法最关键的环节,主要内容是在问题空间依据 状态转移 规则如何构建候选解。
每只蚂蚁都需要 构造一个解 来在图中移动。为了在它的行程中选择下一条边,蚂蚁将考虑从它当前位置可以得到的每条边的长度,以及相应的信息素水平。
步骤3 信息素更新。
当所有蚂蚁完成他们的解决方案时,路径通常会更新(信息素更新),分别根据“好”或“坏”解决方案的移动增加或减少对应的轨迹水平。
信息素更新包括两个环节:
信息素挥发,用于 降低 路径上的信息素,减小 信息素对未来蚂蚁行为的影响,增加算法的探索能力;
信息素释放,蚂蚁在其所经过的路径上 释放 信息素,加强 对蚂蚁未来选择该路径的影响,增强算法的开发能力。
全局信息素 更新规则:
3 算法优缺点
蚁群算法存在收敛速度慢、易陷入局部最优、早熟收敛等问题:
收敛速度慢。 蚁群算法中信息素初值相同,选择下一个节点时倾向于随机选择,有助于找到潜在全局最优解,但需要较长时间才能发挥正反馈的作用,初期收敛速度较慢。
局部最优问题。 蚁群算法具正反馈的特点,初始时刻信息素完全相同,蚂蚁按随机方式完成解的构建,这些解存在优劣之分。在信息素更新时,在较优解经过的路径上留下更多的信息激素,而更多的信息激素又吸引了更多的蚂蚁,这个正反馈的过程迅速地扩大初始的差异,引导整个系统向最优解的方向进化。如果算法开始得到的较优解为次优解,那么正反馈会使算法陷入局部最优,且难以跳出局部最优。
优化能力问题。 蚁群算法中参数众多并且具有一定的关联性,参数选择更多是依赖经验和试错,不恰当的初始参数会减弱算法的寻优能力。
种群多样性与收敛速度的矛盾。 种群多样性对应于候选解在问题空间的分布。个体分布越均匀,种群多样性就越好,得到全局最优解的概率就越大,但寻优时间越长;个体分布越集中,种群多样性就越差,不利于发挥算法的探索能力。正反馈加快了蚁群算法的收敛速度,却较早地集中于部分候选解,降低了种群多样性。
优化算法3--蚁群算法(原理)相关推荐
- 智能优化算法之蚁群算法(1)
蚁群算法(ant colony algorithm) : 一种模拟进化算法 蚂蚁在觅食过程中能够在其经过的路径留下一种称为信息素的物质,并在觅食的过程中能感知这种物质的强度,并指导自己的行动方向,他们 ...
- 最短移臂调度算法_MATLAB优化算法实例——蚁群算法
❝ 欢迎关注「工科男的Maltab学习日志」,采用Mardown文本编辑器编写文章,全新排版升级,内容.代码更简洁,同时开通了视频号,「工科男的日常」欢迎大家关注. --工科男 ❞ 1 蚁群算法基本理 ...
- 【智能优化算法】蚁群算法ACO
文章目录 [智能优化算法] 蚁群算法 1. 简介 1.1 简介 1.2 蚁群流程图 1.3 分类(可以不看) 2. 算法 2.1 参数讲解 2.2 计算公式 1) 转移概率公式 2) 启发式因子计算公 ...
- 智能优化算法之蚁群算法(ACO)
蚁群算法优缺点 优点 蚁群算法是一种本质上的并行算法.每只蚂蚁搜索的过程彼此独立,仅通过信息激素进行通信.不仅增加了算法的可靠性,也使得算法具有较强的全局搜索能力. 蚁群算法是一种自组织的算法. 蚁群 ...
- 智能优化算法之蚁群算法
1.蚁群算法概述 蚁群算法(Ant Colony Algorithm, ACA) 由Marco Dorigo于1992年在他的博士论文中首次提出, 该算法模拟了自然界中蚂蚁的觅食行为. 蚂蚁在寻找食物 ...
- 【Matlab优化选址】蚁群算法求解电动汽车充电站与换电站选址优化问题【含源码 1182期】
一.代码运行视频(哔哩哔哩) [Matlab优化选址]蚁群算法求解电动汽车充电站与换电站选址优化问题[含源码 1182期] 二.matlab版本及参考文献 1 matlab版本 2014a 2 参考文 ...
- 关于精英蚁群算法matlab,蚁群算法MATLAB解VRP问题
Excel exp12_3_2.xls内容: ANT_VRP函数: function [R_best,L_best,L_ave,Shortest_Route,Shortest_Length]=ANT ...
- 关键路径-stl版_A*算法与蚁群算法相结合的无人艇巡逻路径规划
作者:张丹红,陈文文,张华军,苏义鑫 摘要:针对无人艇海上巡逻路径规划问题,提出了一种A*算法与蚁群算法相结合进行最短巡逻路径优化的方法.在传统A*算法的八角度搜索基础上,设计了一种多角度A*算法以获 ...
- 蚂蚁算法python_蚁群算法python编程实现
前言 这篇文章主要介绍了Python编程实现蚁群算法详解,涉及蚂蚁算法的简介,主要原理及公式,以及Python中的实现代码,具有一定参考价值,需要的朋友可以了解下. 蚁群算法简介 蚁群算法(ant c ...
- 群体智能算法之蚁群算法初探(一)
一.背景 20世纪90年代,意大利学者M.Dorigo,V.Maniezzo,A.Colorni等从生物进化的机制中受到启发,通过穆尼自然界蚂蚁搜索路径的行为,提出来一种新型的模拟进化算法--蚁群算法 ...
最新文章
- 菱形继承与菱形虚拟继承
- 读取扫码枪输入_为何超市“扫码枪”这么强?不输密码钱就没了,现在知道还不晚...
- 1029 最大公约数和最小公倍数问题(gcd) luogu洛谷
- 后期处理之一:雾蒙蒙风景照片处理技巧
- [Java] 蓝桥杯ALGO-85 算法训练 进制转换
- 在线文本并集计算工具
- 传导、辐射和谐波总结,大家共同学习
- 34.卷1(套接字联网API)---常用函数
- 充电器兼容qi是什么意思_什么是“经Qi认证”的无线充电器?
- 酱茄社区论坛圈子小程序pro更新与WordPress开源版小程序下载
- U3D Pun2 官方文档学习和翻译
- java输出美国的时间_java显示当前美国洛杉矶时间
- 【NOIP冲刺题库题解】1973:【16NOIP普及组】买铅笔
- CMMI认证是什么?为什么这些IT类企业都在申请?
- 代码分享 Python | 批量nc文件转tif
- 微信,新浪登录分享遇到的问题
- 总结HTTP协议详解
- 包管理工具 —— 更推荐的 pnpm
- python项目实战——银行取款机系统(七)
- 赚钱越来越难 不少新商机都跑到了PaaS模式中