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。
蚁群算法具有较强的鲁棒性。相对于其他算法，蚁群算法对初始路线的要求不高
此外，蚁群算法的参数较少，设置简单，因而该算法易于应用到组合优化问题的求解。
蚁群算法是一种正反馈算法。正反馈是蚁群算法的重要特征，它使得算法进化过程得以进行。

缺点

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。虽然随机选择能探索更大的任务空间，有助于找到潜在的全局最优解，但是需要较长时间才能发挥正反馈的作用，导致算法初期收敛速度较慢。
…

matlab代码和python代码实例

智能优化算法之蚁群算法代码实现matlab、python

1. 蚁群算法模拟TSP问题

在时刻 ttt，蚂蚁 kkk 从城市 iii 转移到城市 jjj 的概率 pijk(t)为：p^k_{ij}(t)为：pijk(t)为：

式中， Jk(i)={1，2，…，}−tabukJ_k(i)=\{1，2，…， \}-tabu_kJk(i)={1，2，…，}−tabuk 表示蚂蚁 kkk 下一步允许选择的城市集合。禁忌表 tabuktabu_ktabuk 记录了蚂蚁 kkk当前走过的城市。当所有 nnn 座城市都加入到禁忌表 tabuktabu_ktabuk 中时，蚂蚁 kkk 便完成了一次周游，此时, 蚂蚁 kkk 所走过的路径便是 TSP 问题的一个可行解。
(5.1) 中的 ηijη_{ij}ηij 是一个启发式因子，表示蚂蚁从城市 iii 转移到城市 jjj 的期望程度。在蚁群算法中，ηijη_{ij}ηij 通常取城市 iii与城市 jjj 之间距离的倒数。
α 和 β分别表示信息素和期望启发式因子的相对重要程度。当所有蚂蚁完成一次周游后，各路径上的信息素根据式（5.2）更新：
式中：ρ（0＜ρ＜1）ρ（0＜ρ＜1）ρ（0＜ρ＜1）表示路径上信息素的蒸发系数，1−ρ1-ρ1−ρ 表示
信息素的持久性系数；ΔτijΔτ_{ij}Δτij 表示本次迭代中边 ijijij 上信息素的增量，即

其中ΔτijkΔτ_{ij}^kΔτijk 表示第 kkk 只蚂蚁在本次迭代中留在边 ijijij 上的信息素量，如果蚂蚁 kkk 没有经过边，则ΔτijkΔτ_{ij}^kΔτijk 的值为零。ΔτijkΔτ_{ij}^kΔτijk可表示为：
其中 QQQ为正常数，表示第 LkL_kLk只蚂蚁在本次周游中所走过路径的长度。

其他模型

2. 基本蚁群算法的具体实现

(1）参数初始化。令时间 t=0t = 0t=0 和循环次数 Nc=0N_c = 0Nc=0，设置最大循环次数 GGG，将 mmm 个蚂蚁置于 nnn 个元素（城市）上，令有向图上每条边 (i,j)(i,j)(i,j) 的初始化信息量 τij(t)=cτ_{ij}(t) =cτij(t)=c ，其中 ccc 表示常数，且初始时刻 Δτij(0)=0Δτ_{ij}(0)=0Δτij(0)=0
(2）循环次数:Nc=Nc+1N_c = N_c+1Nc=Nc+1
(3）蚂蚁的禁忌表索引号：k=1k=1k=1
(4）蚂蚁数目：k=k+1k= k+1k=k+1
(5）蚂蚁个体根据状态转移概率公式（5.1）计算的概率选择元素 jjj 并前进， j∈{Jk(i)}j∈\{J_k(i)\}j∈{Jk(i)}。
(6）修改禁忌表指针，即选择好之后将蚂蚁移动到新的元素，并把该元素移动到该蚂蚁个体的禁忌表中
(7）若集合 CCC 中元素未遍历完，即 k＜mk ＜ mk＜m，则跳转到第（4）步；否则执行第（8）步。
(8）记录本次最佳路线
(9）根据式（5.2）和式（5.3）更新每条路径上的信息量。
(10）若满足结束条件，即如果循环次数 Nc≥GN_c≥GNc≥G ，则循环结束并输出程序优化结果；否则清空禁忌表并跳转到第（2）步。

3. 关键参数说明

信息素启发因子：α\alphaα

其值越大，蚂蚁在选择以前走过的路径的可能性就越大，搜索的随机性就会减弱；
而当启发式因子 α 的值过小时，则易使蚁群的搜索过早陷于局部最优。
根据经验，信息素启发式因子 α 取值范围一般为[1，4][1，4][1，4]时，蚁群算法的综合求解性能较好。

启发式因子： β\betaβ

期望启发因子 β 表示在搜索时路径上的信息素在指导蚂蚁选择路径时的向导性。
期望启发因子 β 的值越大，蚂蚁在某个局部点上选择局部最短路径的可能性就越大，虽然这个时候算法的收敛速度得以加快，但蚁群搜索最优路径的随机性减弱，而此时搜索易于陷入局部最优解。
根据经验，期望启发因子 β 取值范围一般为[3，5][3， 5][3，5]，此时蚁群算法的综合求解性能更好。

信息素蒸发系数： ρ\rhoρ

信息素蒸发系数 ρ 大小的选择将直接影响到整个蚁群算法的收敛速度和全局搜索性能。
ρ 表示信息素蒸发系数，1-ρ 则表示信息素持久性系数。因此，ρ的取值范围应该是0～1之间的一个数
ρ 过小时，则表示以前搜索过的路径被再次选择的可能性过大，会影响到算法的随机性能和全局搜索能力；
ρ 过大时，说明路径上的信息素挥发的相对变多，虽然可以提高算法的随机搜索性能和全局搜索能力，但过多无用搜索操作势必会降低算法的收敛速度。

蚂蚁数目：mmm

蚂蚁数目增大后，会使大量的曾被搜索过的解（路径）上的信息素变得趋于平均，信息正反馈的作用不明显。虽然搜索的随机性得到了加强，但收敛速度减慢。
反之，（蚂蚁数量少），特别是当要处理的问题规模比较大时，会使那些从来未被搜索到的解（路径）上的信息素减小到接近于0，搜索的随机性减弱，虽然收敛速度加快了，但会使算法的全局性能降低，算法的稳定性差，容易出现过早停滞现象。
mmm 一般取10～5010～5010～50

信息素强度：QQQ

参数 QQQ 不必作特别的考虑，可以任意选取。

最大进化代数：GGG

一般 GGG 取100∼500取100\sim500取100∼500

笔记参考

《智能优化算法及其MTALAB算法实例》第二版

智能优化算法之蚁群算法(ACO)相关推荐

【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（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 ...
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 ...
路径算法：蚁群算法(ant colony optimization, ACO)
一, 蚁群算法概述自然界中有一个神奇的现象,即蚂蚁在没有提示的情况下总是能够找到从巢穴到食物的最短路径,这是为什么呢?原因就是蚂蚁在寻找食物时,能在其走过的路径上释放一种特殊的分泌物--信息素,随着 ...
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 ...
【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 ...
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 ...
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 ...
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 ...

智能优化算法之蚁群算法(ACO)

蚁群算法优缺点

优点

缺点

matlab代码和python代码实例

1. 蚁群算法模拟TSP问题

其他模型

2. 基本蚁群算法的具体实现

3. 关键参数说明

信息素启发因子：α\alphaα

启发式因子： β\betaβ

信息素蒸发系数： ρ\rhoρ

蚂蚁数目：mmm

信息素强度：QQQ

最大进化代数：GGG

笔记参考

智能优化算法之蚁群算法(ACO)相关推荐

最新文章

热门文章