第7讲_蚁群算法
蚁群算法
蚁群算法目录1 蚁群算法基本思想 (1)1.1蚁群算法简介 (1)1.2蚁群行为分析 (1)1.3蚁群算法解决优化问题的基本思想 (2)1.4蚁群算法的特点 (2)2 蚁群算法解决TSP问题 (3)2.1关于TSP (3)2.2蚁群算法解决TSP问题基本原理 (3)2.3蚁群算法解决TSP问题基本步骤 (5)3 案例 (6)3.1问题描述 (6)3.2解题思路及步骤 (6)3.3MATLB程序实现 (7)3.1.1 清空环境 (7)3.2.2 导入数据 (7)3.3.3 计算城市间相互距离 (7)3.3.4 初始化参数 (7)3.3.5 迭代寻找最佳路径 (7)3.3.6 结果显示 (7)3.3.7 绘图 (7)1 蚁群算法基本思想1.1 蚁群算法简介蚁群算法（ant colony algrothrim ，ACA ）是由意大利学者多里戈（Dorigo M ）、马聂佐（ Maniezzo V ）等人于20世纪90初从生物进化的机制中受到启发，通过模拟自然界蚂蚁搜索路径的行为，提出来的一种新型的模拟进化算法。
该算法用蚁群在搜索食物源的过程中所体现出来的寻优能力来解决一些系统优化中的困难问题，其算法的基本思想是模仿蚂蚁依赖信息素，通过蚂蚁间正反馈的方法来引导每个蚂蚁的行动。
蚁群算法能够被用于解决大多数优化问题或者能够转化为优化求解的问题，现在其应用领域已扩展到多目标优化、数据分类、数据聚类、模式识别、电信QoS 管理、生物系统建模、流程规划、信号处理、机器人控制、决策支持以及仿真和系统辩识等方面。
蚁群算法是群智能理论研究领域的一种主要算法。
1.2 蚁群行为分析EABCDF d=3d=2 m=20 t=0AB C Dd=3d=2 m=10 m=10t=11.3 蚁群算法解决优化问题的基本思想用蚂蚁的行走路径表示待优化问题的可行解，整个蚂蚁群体的所有路径构成待优化问题的解空间。
路径较短的蚂蚁释放的信息量较多，随着时间的推进，较短路径上积累的信息浓度逐渐增高，选择该路径的蚂蚁个数愈来愈多。
专题讲座-蚁群算法介绍
城市之间距离
目标函数为
f ( w) d il 1il ，
l 1
n
其中
w (i1 , i2 ,, in )
in 1 i1
。
为பைடு நூலகம்市1,2，…n的
一个排列，
网络路由
对于计算机网络中的路由进行优化，提高路由效率。
聚类
把待聚类的数据随机散布在一个平面上，放置若干只虚拟蚂蚁使其 在平面上随机运动。 当一只蚂蚁遇到一个数据时即拾起并继续行走，在行走过程中，如 果遇到附近的数据与背负的数据相似性高于设置的标准时则将数据 放置在该位置，继续移动。 重复以上过程即可实现数据聚类。
寻食过程
步骤二 本图为从开始算起，经过18个时间单位时的情形：走ABD的蚂 蚁到达终点后得到食物又返回了起点A，而走ACD的蚂蚁刚好走 到D点。
过程分析
假设蚂蚁每经过一处所留下的信息素为一个单位，则经过36个 时间单位后，所有开始一起出发的蚂蚁都经过不同路径从D点 取得了食物，此时ABD的路线往返了2趟，每一处的信息素为4 个单位，而 ACD的路线往返了一趟，每一处的信息素为2个单位， 其比值为2：1。
寻找食物的过程继续进行，则按信息素的指导，蚁群在ABD 路线上增派一只蚂蚁（共2只），而ACD路线上仍然为一只蚂 蚁。再经过36个时间单位后，两条线路上的信息素单位积累 为12和4，比值为3：1。
过程分析
若按以上规则继续，蚁群在ABD路线上再增派一只蚂蚁 （共3只），而ACD路线上仍然为一只蚂蚁。再经过36 个时间单位后，两条线路上的信息素单位积累为24和6， 比值为4：1。
避障规则
如果蚂蚁要移动的方向有障碍物挡住，它会随机的选择另一个 方向，并且有信息素指引的话，它会按照觅食的规则行为。
蚁群算法概述
蚁群算法概述一、蚁群算法蚁群算法(ant colony optimization, ACO)，又称蚂蚁算法，是一种用来寻找最优解决方案的机率型技术。
它由Marco Dorigo于1992年在他的博士论文中引入，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。
蚂蚁在路径上前进时会根据前边走过的蚂蚁所留下的分泌物选择其要走的路径。
其选择一条路径的概率与该路径上分泌物的强度成正比。
因此，由大量蚂蚁组成的群体的集体行为实际上构成一种学习信息的正反馈现象：某一条路径走过的蚂蚁越多，后面的蚂蚁选择该路径的可能性就越大。
蚂蚁的个体间通过这种信息的交流寻求通向食物的最短路径。
蚁群算法就是根据这一特点，通过模仿蚂蚁的行为，从而实现寻优。
这种算法有别于传统编程模式，其优势在于，避免了冗长的编程和筹划，程序本身是基于一定规则的随机运行来寻找最佳配置。
也就是说，当程序最开始找到目标的时候，路径几乎不可能是最优的，甚至可能是包含了无数错误的选择而极度冗长的。
但是，程序可以通过蚂蚁寻找食物的时候的信息素原理，不断地去修正原来的路线，使整个路线越来越短，也就是说，程序执行的时间越长，所获得的路径就越可能接近最优路径。
这看起来很类似与我们所见的由无数例子进行归纳概括形成最佳路径的过程。
实际上好似是程序的一个自我学习的过程。
3、人工蚂蚁和真实蚂蚁的异同ACO是一种基于群体的、用于求解复杂优化问题的通用搜索技术。
与真实蚂蚁通过外激素的留存/跟随行为进行间接通讯相似，ACO中一群简单的人工蚂蚁（主体）通过信息素（一种分布式的数字信息，与真实蚂蚁释放的外激素相对应）进行间接通讯，并利用该信息和与问题相关的启发式信息逐步构造问题的解。
人工蚂蚁具有双重特性：一方面，他们是真实蚂蚁的抽象，具有真实蚂蚁的特性，另一方面，他们还有一些在真实蚂蚁中找不到的特性，这些新的特性，使人工蚂蚁在解决实际优化问题时，具有更好地搜索较好解的能力。
人工蚂蚁与真实蚂蚁的相同点为：1．都是一群相互协作的个体。
蚁群算法——精选推荐
蚁群算法⼀、蚁群算法蚁群算法是在20世纪90年代由澳⼤利亚学者Marco Dorigo等⼈通过观察蚁群觅⾷的过程，发现众多蚂蚁在寻找⾷物的过程中，总能找到⼀条从蚂蚁巢⽳到⾷物源之间的最短路径。
随后他们在蚂蚁巢⽳到⾷物源之间设置了⼀个障碍，⼀段时间以后发现蚂蚁⼜重新⾛出了⼀条到⾷物源最短的路径。
通过对这种现象的不断研究，最后提出了蚁群算法。
蚁群算法在解决（即TSP问题）时，取得了⽐较理想的结果。
⼆、基本⼈⼯蚁群算法原理运⽤⼈⼯蚁群算法求解TSP问题时的基本原理是：将m个蚂蚁随机地放在多个城市，让这些蚂蚁从所在的城市出发，n步（⼀个蚂蚁从⼀个城市到另外⼀个城市为1步）之后返回到出发的城市。
如果m个蚂蚁所⾛出的m条路经对应的中最短者不是TSP问题的最短路程，则重复这⼀过程，直⾄寻找到满意的TSP问题的最短路径为⽌。
为了说明这⼀个算法下⾯⽤⼀个算法流程图来表⽰⼀下：三、蚁群算法中涉及到的参数及其符号：：蚂蚁数量，约为城市数量的1.5倍。
如果蚂蚁数量过⼤，则每条路径上的信息素浓度趋于平均，正反馈作⽤减弱，从⽽导致收敛速度减慢；如果过⼩，则可能导致⼀些从未搜索过的路径信息素浓度减⼩为0，导致过早收敛，解的全局最优性降低：信息素因⼦，反映了蚂蚁运动过程中积累的信息量在指导蚁群搜索中的相对重要程度，取值范围通常在[1, 4]之间。
如果信息素因⼦值设置过⼤，则容易使随机搜索性减弱；其值过⼩容易过早陷⼊局部最优：启发函数因⼦，反映了启发式信息在指导蚁群搜索中的相对重要程度，取值范围在[3, 4.5]之间。
如果值设置过⼤，虽然收敛速度加快，但是易陷⼊局部最优；其值过⼩，蚁群易陷⼊纯粹的随机搜索，很难找到最优解：信息素挥发因⼦，反映了信息素的消失⽔平，相反的反映了信息素的保持⽔平，取值范围通常在[0.2, 0.5]之间。
当取值过⼤时，容易影响随机性和全局最优性；反之，收敛速度降低：信息素常数，表⽰蚂蚁遍历⼀次所有城市所释放的信息素总量。
蚁群算法
基本蚁群算法程序流程图
开始 初始化
循环次数Nc← Nc+1
蚂蚁k=1 蚂蚁k=k+1
按式（1）选择下一元素 修改禁忌表 N Y K≥ m
按式（2）和式（3）进行信息量更新 满足结束条件 Y
Байду номын сангаас输出程序计算结果 结束 N
复杂度分析
对于TSP，所有可行的路径共有(n-1)!/2条，以 此路径比较为基本操作，则需要(n-1)!/2-1次基 本操作才能保证得到绝对最优解。 若1M FLOPS，当n=10, 需要0.19秒 n=20, 需要1929年 n=30, 需要1.4X10e17年
{ ij (t ) | ci , c j C}是t时刻集合C中元素
蚂蚁k(k=1,2,…,m)在运动过程中，根据各条路径上的信息 量决定其转移方向。这里用禁忌表tabuk来记录蚂蚁k当前 所走过的城市，集合随着tabuk进化过程做动态调整。在 搜索过程中，蚂蚁根据各条路径上的信息量及路径的启发 信息来计算状态转移概率。在t时刻蚂蚁k由元素（城市）i 转移到元素（城市）j的状态转移概率：
1) 标有距离的路径图 2) 在0时刻，路径上没有信息素累积，蚂蚁选择路径为任意 3) 在1时刻，路径上信息素堆积，短边信息素多与长边，所以蚂蚁更 倾向于选择ABCDE
特
点
（1）其原理是一种正反馈机制或称增强型学习系统；它通过 信息素的不断更新达到最终收敛于最优路径上； （2）它是一种通用型随机优化方法；但人工蚂蚁决不是对实 际蚂蚁的一种简单模拟，它融进了人类的智能； （3）它是一种分布式的优化方法；不仅适合目前的串行计算 机，而且适合未来的并行计算机； （4）它是一种全局优化的方法；不仅可用于求解单目标优化 问题，而且可用于求解多目标优化问题； 2 （5）它是一种启发式算法；计算复杂性为 O( NC m n )，其 中NC 是迭代次数，m 是蚂蚁数目，n 是目的节点数目。
蚁群算法最全集PPT课件
采用智能优化算法，如遗传算法、粒子群算法等，对算法参数进行 优化，以寻找最优参数组合，提高算法性能。
04
蚁群算法的实现流程
问题定义与参数设定
问题定义
明确待求解的问题，将其抽象为优化 问题，并确定问题的目标函数和约束 条件。
参数设定
根据问题的特性，设定蚁群算法的参 数，如蚂蚁数量、信息素挥发速度、 信息素更新方式等。
动态调整种群规模
根据搜索进程的需要，动态调整参与搜索的蚁群规模，以保持种群 的多样性和搜索的广泛性。
自适应调整参数
参数自适应调整策略
根据搜索进程中的反馈信息，动态调整算法参数，如信息素挥发速 度、蚂蚁数量、移动概率等。
参数动态调整规则
制定参数调整规则，如基于性能指标的增量调整、基于时间序列的 周期性调整等，以保持算法性能的稳定性和持续性。
06
蚁群算法的优缺点分析
优点
高效性
鲁棒性
蚁群算法在解决组合优化问题上表现出高 效性，尤其在处理大规模问题时。
蚁群算法对噪声和异常不敏感，具有较强 的鲁棒性。
并行性
全局搜索
蚁群算法具有天然的并行性，可以充分利 用多核处理器或分布式计算资源来提高求 解速度。
蚁群算法采用正反馈机制，能够实现从局 部最优到全局最优的有效搜索。
强化学习
将蚁群算法与强化学习相结合，利用强化学习中的奖励机制指导 蚁群搜索，提高算法的探索和利用能力。
THANKS
感谢观看
蚂蚁在移动过程中会不断释放新 的信息素，更新路径上的信息素 浓度。
蚂蚁在更新信息素时，会根据路 径上的信息素浓度和自身的状态 来决定释放的信息素增量。
搜索策略与最优解的形成
搜索策略
蚁群算法概述
若继续进行，则按信息素的指导，最终所有的蚂蚁会放弃ACD路线，而都 选择ABD路线。这也就是正反馈效应。
四：自然蚁群与人工蚁群算法
蚁群算法 （Ant Colony Optimization，ACO）
一：蚁群算法的由来
蚁群算法的由来：蚂蚁是地球上最常见、数量最多的昆虫种类之一， 常常成群结队地出现在人类的日常生活环境中。这些昆虫的群体生物智能特 征，引起了一些学者的注意。意大利学者M.Dorigo，V.Maniezzo等人在观察 蚂蚁的觅食习性时发现，蚂蚁总能找到巢穴与食物源之间的最短路径。
蚁群算法有两个阶段：适应阶段和协作阶段．在适 应阶段各候选解根据积累的信息不断调整自身结构;在 协作阶段，候选解之间通过信息交流，以期产生性能 更好的解。
蚁群算法与TSP问题
蚁群算法与TSP问题
蚁群算法与TSP问题
k 表示第k只蚂蚁在本次循环中留在路径（i，j）上的 ij
信息素的浓度， ij 表示本次循环所有蚂蚁在路径ij上所释放
五：蚁群算法与TSP问题
TSP问题的人工蚁群算法中，假设m只蚂蚁在图的相 邻节点间移动，从而协作异步地得到问题的解。每只蚂 蚁的一步转移概率由图中的每条边上的两类参数决定： 1 信息素值 也称信息素痕迹。2 可见度，即先验值。
信息素的更新方式有2种，一是挥发，也就是所有 路径上的信息素以一定的比率进行减少，模拟自然蚁群 的信息素随时间挥发的过程；二是增强，给评价值 “好”(有蚂蚁走过)的边增加信息素。
0
(3)
(
ij
蚁群算法的基本原理
蚁群算法的基本原理蚁群算法 (Ant Colony Optimization, ACO) 是一种基于群体智能的优化算法，模拟了蚂蚁在寻找食物时候的行为，被广泛应用于求解组合优化问题、路径规划等领域。
蚁群算法的基本思路蚁群算法的基本思路是通过模拟蚂蚁在寻找食物的过程中释放信息素来获取全局最优解。
具体过程如下：1.初始化信息素: 首先，需要在所有可行解的路径上放置一些信息素。
在开始时，信息素值可以选择为等量的值或一些默认值。
2.蚁群搜索: 一开始，所有的蚂蚁都分别随机选择一个节点作为起点，并开始在网络中搜索。
蚂蚁行动的过程中，会根据路径上信息素浓度的大小来选择下一步的方向。
同时，每只蚂蚁都会记录其所经过的路径和信息素值。
3.信息素更新: 每只蚂蚁到达终点之后，计算其所经过路径的费用，然后根据一定的规则更新路径上的信息素。
较优的路径上将会添加更多的信息素，使下一次蚂蚁选择该路径的概率更大。
4.重复搜索: 重复上面的步骤，直到满足一个停止条件为止。
一种常见的停止条件是达到预定的迭代次数。
蚁群算法的优势蚁群算法在解决组合优化问题时，具有以下的优势：1.全局优化能力极强: 因为每只蚂蚁都只关注自己所经过的路径上的信息素值，所以可以同时搜索并更新多个路径，从而有可能找到全局最优解。
2.能够避免陷入局部最优: 蚁群算法可以通过信息素的挥发、说长存、信息素值的启发式更新等手段来避免陷入局部最优解。
3.易于扩展和并行化: 蚁群算法通常是一种并行的算法，可以很轻松地应用于分布式计算环境中。
蚁群算法的应用蚁群算法在解决组合优化问题、路径规划、调度等方面有着广泛的应用，如下所示：1.旅行商问题: 蚁群算法可以用于解决旅行商问题。
2.线性规划问题: 蚁群算法可以用于求解线性规划问题。
3.路径规划问题: 蚁群算法可以用于车辆路径规划问题。
4.调度问题: 蚁群算法可以用于作业车间调度问题。
蚁群算法是一种基于群体智能的优化算法，模拟了蚂蚁在寻找食物时候的行为。
人工智能07蚁群算法及其应用
Q Δτ ij Lgb , 若边 ij 是当前最优解的一部分 0, 否则
——精英蚂蚁在边 ij上增加的信息素量； ——精英蚂蚁个数； Lgb ——当前全局最优解路径长度。
蚁群算法的提出
• 算法的提出 蚁群算法（Ant Colony Optimization, ACO），又称蚂蚁算法——一种用来在图中 寻找优化路径的机率型算法。 它由Marco Dorigo于1992年在他的博士 论文“Ant system: optimization by a colony of cooperating agents”中提出，其灵感来源于 蚂蚁在寻找食物过程中发现路径的行为。 最早用于解决著名的旅行商问题(TSP , traveling salesman problem)。
人工蚁群 VS 自然蚁群
蚁群算法的特征
• • • •
•
蚁群算法采用了分布式正反馈并行计算机制, 易于与其他方法结合, 并 具有较强的鲁棒性。 （1）其原理是一种正反馈机制或称增强型学习系统；它通过信息素 的不断更新达到最终收敛于近似最优路径上； （2）它是一种通用型随机优化方法；但人工蚂蚁决不是对实际蚂蚁 的一种简单模拟，它融进了人类的智能； （3）它是一种分布式的优化方法；不仅适合目前的串行计算机，而 且适合未来的并行计算机； （4）它是一种全局优化的方法；不仅可用于求解单目标优化问题， 而且可用于求解多目标优化问题； （5）它是一种启发式算法；计算复杂性为 O(NC*m*n2)，其中NC 是迭 代次数，m 是蚂蚁数目，n 是目的节点数目。
关于 min , max 的取值，没有确定的方法，有的 书例子中取为0.01，10；有的书提出一个在最大 值给定的情况下计算最小值的公式。
蚁群算法公式范文
蚁群算法公式范文蚁群算法（Ant Colony Optimization, ACO）是一种仿生智能算法，源于对蚂蚁在寻找食物过程中的观察和分析。
蚁群算法通过模拟蚂蚁在寻找食物的过程，来优化解决各种优化问题。
在蚁群算法中，蚂蚁使用信息素和启发式信息来进行，并通过信息素更新和路径选择机制来不断优化过程。
蚂蚁在寻找食物的过程中会释放一种被称为“信息素”的化学物质。
当蚂蚁在条路径上行走时，会释放信息素，而其他蚂蚁通过检测到信息素的浓度来选择路径。
信息素的浓度越高，路径上的蚂蚁越多，其他蚂蚁就更有可能选择这条路径。
蚂蚁在行走结束后，会按照规定的方式更新路径上的信息素浓度。
蚂蚁选择路径的依据除了信息素，还有启发式信息。
启发式信息是根据蚂蚁当前所处位置与目标位置之间的距离进行计算的。
蚂蚁更倾向于选择距离目标位置更近的路径。
启发式信息对蚂蚁的路径选择起到了一定的引导作用。
蚁群算法中的公式主要涉及到信息素的更新和路径选择机制。
下面是蚁群算法中常用的公式：1.信息素的更新公式：τij(t+1) = (1-ρ) * τij(t) + Δτij(t)其中，τij(t+1)为第i只蚂蚁在第j条路径上的信息素浓度更新后的值；τij(t)为第i只蚂蚁在第j条路径上的当前信息素浓度；Δτij(t)为第i只蚂蚁在第j条路径上释放的信息素量；ρ为信息素蒸发系数，用于控制信息素的挥发速度。
2.蚂蚁选择路径的概率公式：Pij(t) = (τij(t)^α) * (ηij(t)^β) / Σ(τik(t)^α) * (ηik(t)^β)其中，Pij(t)为第i只蚂蚁在第j条路径上的选择概率；τij(t)为第i只蚂蚁在第j条路径上的信息素浓度；ηij(t)为第i只蚂蚁在第j条路径上的启发式信息；α和β分别为信息素和启发式信息的重要程度参数。
3.蚂蚁更新路径的公式：Δτij(t) = Q / Lk其中，Δτij(t)为第i只蚂蚁在第j条路径上释放的信息素量；Q为常数，表示每只蚂蚁释放的信息素总量；Lk为第k只蚂蚁的路径长度。
蚁群算法PPT课件
1
k 1
基本蚁群算法
针对蚂蚁释放信息是问题，M.Dorigo等人曾给出3中不同的模型， 分别为蚁周系统、蚁量系统和蚁密系统，其计算公式如下：
1.蚁周系统模型
k ii
Q 0,
/ Lk，第k只蚂蚁从城市i访问城市j 其他
2.蚁量系统模型
k ii
Q / dij，第k只蚂蚁从城市i访问城市j
0,
其他
3.蚁密系统模型
max (1 n Pbest )
(avg 1) n Pbest
信息素轨迹的初始化
在第一次循环后所有信息素轨迹与max (1) 相一致 通过选择对这种类型的轨迹初始化来增加在算法的
第一次循环期间对新解的探索
当将信息素轨迹初始化为 max 时，选择概率将增加
得更加缓慢 实验表明，将初始值设为 (1) max可以改善最大-
信息素轨迹的限制
在 决一于个 m选in和择点m上ax 选择相应解元素的概率Pdec直接取
Pdec
max
max (avg 1) min
在每个选择点上蚂蚁需在avg=n/2个解元素中选择
蚂蚁构造最优解，需作n次正确的决策
P P n
dec
best
min
max (1 Pdec )
(avg 1)Pdec
3.最大-最小蚂蚁系统
蚁群算法将蚂蚁的搜索行为集中到最优解的附近可以提高解的质 量和收敛速度，从而改进算法的性能。但这种搜索方式会使早熟 收敛行为更容易发生。 MMAS能将这种搜索方式和一种能够有效避 免早熟收敛的机制结合在一起，从而使算法获得最优的性能
基本蚁群算法
蚂蚁k(k=1,2，…,m)根据各个城市间连接路径上的信息素浓度决
边作为移动方向
蚁群算法
四、结论
蚁群算法是由M.Dorigo于1992年提出来的一种新型进化算 法。该算法不依赖于具体问题的数学描述，具有全局优化能力 和本质上的并行性，同时比遗传算法、模拟退火算法等早期进 化算法具备更强的鲁棒性、求解时间短、易于计算机实现等优 点。已被用于高度复杂的组合优化问题、通讯网络的路由选择 问题、多机器人任务分配问题、图形生成及划分等问题中。 但由于蚁群算法的研究历史很短，在实际问题中应用还较 少，因此存在许多有待进一步研究改进的地方。如信息素分配 策略、路径搜索策略、最优解保留策略等方面，均带有经验性 和直觉性，没有经过细致的研究和分析。因此算法的求解效率 不高，收敛性较差。
它们的区别在于后两种模型中利用的是局部信息， 而前者利用的是整体信息。参数α，β，Q，ρ，可以用 实验方法确定其最优组合，停止条件可以用固定进化 代数或当进化趋势不明显时停止计算。
pij (t ) =
α β τ ij (t ) × η ij (t ) α β τ ik (t ) × η ik (t ) ∑(i,k )∈S ,k∉U
ant cycle system, ant quantity system, ant density system。
他们的差别在于表达式的不同。 在ant cycle system模型中，
Q k ∆τ ij = f k 0 第k只蚂蚁在第t次循环中经过边(i, j ) 其他
f k 第k只蚂蚁在整个路径中的目标函数值。
谢谢！
二、蚁群算法原理
人工蚁群算法是模仿真实的蚁群行为而提出的。仿生 学家经过大量细致的观察研究发现，蚂蚁个体之间是通过一 种称为“外激素”(Stigmergy)的物质进行信息传递的。蚂蚁 在运动过程中，能够在它所经过的路径上留下该种物质，而 且蚂蚁在运动过程中能感知这种物质，并以此指导自己的运 动方向(蚂蚁选择有这些物质的路径的可能性,比选择没有这 些物质的路径的可能性大得多)。因此，有大量蚂蚁组成的蚁 群的集体行为便表现出一种信息正反馈现象：某一路径上走 过的蚂蚁越多，则后来者选择该路经的概率就越大。蚂蚁个 体之间就是通过这种信息的交流达到搜索食物的目的。
蚁群算法及案例分析
群在选择下一条路径的时
候并不是完全盲目的,而是
按一定的算法规律有意识
地寻找最短路径
自然界蚁群不具有记忆的
能力，它们的选路凭借外
激素，或者道路的残留信
息来选择，更多地体现正
反馈的过程
人工蚁群和自然界蚁群的相似之处在于,两者优先选择的都
是含“外激素”浓度较大的路径; 两者的工作单元(蚂蚁)都
Eta=1./D;
%Eta为启发因子，这里设为距离的倒数
Tau=ones(n,n);
%Tau为信息素矩阵
Tabu=zeros(m,n);
%存储并记录路径的生成
NC=1;
%迭代计数器
R_best=zeros(NC_max,n); %各代最佳路线
L_best=inf.*ones(NC_max,1);%各代最佳路线的长度
for ii=2:N
R_best(NC,:)=Tabu(pos(1),:);
plot([C(R(ii-1),1),C(R(ii),1)],[C(R(ii-1),2),C(R(ii),2)])
L_ave(NC)=mean(L);
hold on
NC=NC+1;
end
%第五步：更新信息素
Delta_Tau=zeros(n,n);
, 表示可根据由城市i到城市j的期望程度,可根据启发式算法具体确定,
一般为 。
= 0，算法演变成传统的随机贪婪算法最邻近城市被选中概率最大
= 0，蚂蚁完全只根据信息度浓度确定路径，算法将快速收敛，这样构出
的路径与实际目标有着较大的差距，实验表明在AS中设置α=1~2，β=2~5比较合
DrawRoute(C,Shortest_Route)
蚁群算法
Food
1
1
D
B
Obstacle
1
A
1
Nest
2 C
2
图1.1 蚁群系统示意图
2. 蚁群算法基本原理
蚁群算法是一种随机搜索算法，与其他模型进化算法一样， 通过候选解组成的群体的进化过程来寻求最优解，该过程包括两 个阶段：适应阶段和协助阶段。
⑴在适应阶段，各候选解根据积累的信息不断调整自身结构； ⑵在协助阶段，候选解之间通过信息交流，以期望产生性能更 好的解。
城市，tabuk (k 1, 2, , m) 用以记录蚂蚁 k 当前所走过的城市，集合tabuk 随着进
化过程作动态调整。ij 表示边弧 (i, j) 的能见度，用某种启发式算法算出，一般
取ij 1 dij ， dij 表示城市 i 与城市 j 之间的距离。 表示轨迹的相对重要性，
表示能见度的相对重要性。
Obstacle
C
在 t=5 时刻，两组蚂蚁在 D 点相遇，
此时，DB 上的信息素数量与 DC 上的相
1
A
2
同，因为各有 10 只蚂蚁选择了相应的道
1
路，从而有 5 只返回的蚂蚁将选择 BD 而
另外 5 只将选择 CD；
Nest
图1.1 蚁群系统示意图
2. 蚁群算法基本原理
在 t=8 时刻，前 5 只蚂蚁将返回巢穴， 而 AC、DC、BD 上各有 5 只蚂蚁；
Food
1
1
D
B
Obstacle
1
A
1
Nest
2 C
2
图1.1 蚁群系统示意图
2. 蚁群算法基本原理
在 t=0 时刻，20 只蚂蚁从巢穴出发移
蚁群算法
蚁群算法(ant colony optimization, ACO)，又称蚂蚁算法，是一种用来在图中寻找优化路径的机率型算法。
它由Marco Dorigo于1992年在他的博士论文中提出，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。
蚁群算法是一种模拟进化算法，初步的研究表明该算法具有许多优良的性质。
针对PID控制器参数优化设计问题，将蚁群算法设计的结果与遗传算法设计的结果进行了比较，数值仿真结果表明，蚁群算法具有一种新的模拟进化优化方法的有效性和应用价值1.1概念各个蚂蚁在没有事先告诉他们食物在什么地方的前提下开始寻找食物。
当一只找到食物以后，它会向环境释放一种挥发性分泌物pheromone (称为信息素,该物质随着时间的推移会逐渐挥发消失，信息素浓度的大小表征路径的远近)来实现的，吸引其他的蚂蚁过来，这样越来越多的蚂蚁会找到食物。
有些蚂蚁并没有象其它蚂蚁一样总重复同样的路，他们会另辟蹊径，如果另开辟的道路比原来的其他道路更短，那么，渐渐地，更多的蚂蚁被吸引到这条较短的路上来。
最后，经过一段时间运行，可能会出现一条最短的路径被大多数蚂蚁重复着。
1.2原理设想，如果我们要为蚂蚁设计一个人工智能的程序，那么这个程序要多么复杂呢？首先，你要让蚂蚁能够避开障碍物，就必须根据适当的地形给它编进指令让他们能够巧妙的避开障碍物，其次，要让蚂蚁找到食物，就需要让他们遍历空间上的所有点；再次，如果要让蚂蚁找到最短的路径，那么需要计算所有可能的路径并且比较它们的大小，而且更重要的是，你要小心翼翼的编程，因为程序的错误也许会让你前功尽弃。
这是多么不可思议的程序！太复杂了，恐怕没人能够完成这样繁琐冗余的程序。
然而，事实并没有你想得那么复杂，上面这个程序每个蚂蚁的核心程序编码不过100多行！为什么这么简单的程序会让蚂蚁干这样复杂的事情？答案是：简单规则的涌现。
事实上，每只蚂蚁并不是像我们想象的需要知道整个世界的信息，他们其实只关心很小范围内的眼前信息，而且根据这些局部信息利用几条简单的规则进行决策，这样，在蚁群这个集体里，复杂性的行为就会凸现出来。
蚁群和粒子群算法
Xi = Xi1 ,Xi 2 ,...,Xid
My best局部 最优解 position pi
运动向量
全局 最优解
x(t) Here I am!
惯性向量
The best position of x(t+1) team
pg
v
算法流程
初始化：将种群做初始化，以随机的方式求出每一
粒子群算法(particle swarm optimization， PSO)由Kennedy和Eberhart在1995年提出，该算 法模拟鸟集群飞行觅食的行为，鸟之间通过集体 的协作使群体达到最优目的，是一种基于Swarm Intelligence的优化方法。同遗传算法类似，也 是一种基于群体叠代的，但并没有遗传算法用的 交叉以及变异，而是粒子在解空间追随最优的粒 子进行搜索。PSO的优势在于简单容易实现同时 又有深刻的智能背景，既适合科学研究，又特别 适合工程应用，并且没有许多参数需要调整。
蚁群算法
蚁群算法（Ant Colony Optimization, ACO）由 Colorni，Dorigo和Maniezzo在1991年提出，它是通 过模拟自然界蚂蚁社会的寻找食物的方式而得出的一 种仿生优化算法。自然界种蚁群寻找食物时会派出一 些蚂蚁分头在四周游荡，如果一只蚂蚁找到食物，它 就返回巢中通知同伴并沿途留下“信息素” （pheromone） 作为蚁群前往食物所在地的标记。 信息素会逐渐挥发，如果两只蚂蚁同时找到同一食物， 又采取不同路线回到巢中，那么比较绕弯的一条路上 信息素的气味会比较淡，蚁群将倾向于沿另一条更近 的路线前往食物所在地。
整合群体行为、人类决策与鸟群行为发展而成称为 粒子群算法。 【Eberhart, Kennedy, 1995】
蚁群算法
蚁群算法群算法(ant colony optimization, ACO)，又称蚂蚁算法，是一种用来在图中寻找优化路径的机率型算法。
它由Marco Dorigo于1992年在他的博士论文中提出，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。
蚁群算法是一种模拟进化算法,初步的研究表明该算法具有许多优良的性质.针对PID控制器参数优化设计问题,将蚁群算法设计的结果与遗传算法设计的结果进行了比较,数值仿真结果表明,蚁群算法具有一种新的模拟进化优化方法的有效性和预期的结果：各个蚂蚁在没有事先告诉他们食物在什么地方的前提下开始寻找食物。
当一只找到食物以后，它会向环境释放一种挥发性分泌物pheromone (称为信息素,该物质随着时间的推移会逐渐挥发消失，信息素浓度的大小表征路径的远近)来实现的，吸引其他的蚂蚁过来，这样越来越多的蚂蚁会找到食物。
有些蚂蚁并没有象其它蚂蚁一样总重复同样的路，他们会另辟蹊径，如果另开辟的道路比原来的其他道路更短，那么，渐渐地，更多的蚂蚁被吸引到这条较短的路上来。
最后，经过一段时间运行，可能会出现一条最短的路径被大多数蚂蚁重复着。
原理：设想，如果我们要为蚂蚁设计一个人工智能的程序，那么这个程序要多么复杂呢？首先，你要让蚂蚁能够避开障碍物，就必须根据适当的地形给它编进指令让他们能够巧妙的避开障碍物，其次，要让蚂蚁找到食物，就需要让他们遍历空间上的所有点；再次，如果要让蚂蚁找到最短的路径，那么需要计算所有可能的路径并且比较它们的大小，而且更重要的是，你要小心翼翼的编程，因为程序的错误也许会让你前功尽弃。
这是多么不可思议的程序！太复杂了，恐怕没人能够完成这样繁琐冗余的程序。
然而，事实并没有你想得那么复杂，上面这个程序每个蚂蚁的核心程序编码不过100多行！为什么这么简单的程序会让蚂蚁干这样复杂的事情？答案是：简单规则的涌现。
事实上，每只蚂蚁并不是像我们想象的需要知道整个世界的信息，他们其实只关心很小范围内的眼前信息，而且根据这些局部信息利用几条简单的规则进行决策，这样，在蚁群这个集体里，复杂性的行为就会凸现出来。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
2 2
E1
5 5 E2 2 6
3
F1
4
A
3
B2
C3 C4
D2 1 3
2 3
G F2
6 3
3 8 4
D3 3
E3
2012-7-5
25
1
4
8
6
3
14 5 4 5 5 5 16 8 1 3 9 1 12 2 3 7 6 3 8 2 3 6 3 15 3 6 4 10 3 13 6
2
2
3 5 6
8
2
11 3
2012-7-5 11
2.2.1 蚁群算法原理 2/2 为了说明蚁群算法的原理，先简要介绍一下 蚂蚁搜寻食物的具体过程。在蚁群寻找食物时， 它们总能找到一条从食物到巢穴之间的最优路径。 这是因为蚂蚁在寻找路径时会在路径上释放出一 种特殊的信息素。当它们碰到一个还没有走过的 路口时，就随机地挑选一条路径前行。与此同时 释放出与路径长度有关的信息素。路径越长，释 放的激索浓度越低。当后来的蚂蚁再次碰到这个 路口的时候．选择激素浓度较高路径概率就会相 对较大。这样形成一个正反馈。最优路径上的激 索浓度越来越大．而其它的路径上激素浓度却会 随着时间的流逝而消减。最终整个蚁群会找出最 优路径。
2012-7-5 9
2.2 蚁群优化算法原理及实现
2.2.1 蚁群算法原理
2.2.2 简化的蚂蚁寻食过程 2.2.3 自然蚁群与人工蚁群算法
2.2.4 实数编码的小生境蚁群算法（NACA）
2012-7-5
10
2.2.1 蚁群算法原理 1/2
蚁群算法是对自然界蚂蚁的寻径方式进行模 似而得出的一种仿生算法。蚂蚁在运动过程中， 能够在它所经过的路径上留下一种称之为外激素 (pheromone) 的物质进行信息传递，而且蚂蚁在 运动过程中能够感知这种物质，并以此指导自己 的运动方向，因此由大量蚂蚁组成的蚁群集体行 为便表现出一种信息正反馈现象：某一路径上走 过的蚂蚁越多，则后来者选择该路径的概率就越 大。
2012-7-5 12
2.2.2 简化的蚂蚁寻食过程 1/4
蚂蚁从A点出发，速度相同，食物在D点，可能随 机选择路线ABD或ACD。假设初始时每条分配路线一 只蚂蚁，每个时间单位行走一步，本图为经过9个时间 单位时的情形：走ABD的蚂蚁到达终点，而走ACD 的 蚂蚁刚好走到C点，为一半路程。
2012-7-5 13
2012-7-5 20
DO
2.2.4 实数编码的小生境蚁群算法（NACA） 4/5 For each ant If Prob[i]<P0 Temp = X[i]+min_step*(rand(1)-0.5); % 局部搜索 Else Temp = X[i]+max_step*(rand(1)-0.5); % 全局搜索 End 把Temp限制在可行域内[start,end];
Matlab 基 础
武汉学院数学建模系列课件
2012-7-5
1
第7讲
蚁群算法
2.1 蚁群优化算法概述
2.2 蚁群优化算法原理及实现
2.3 小生境蚁群算法应举例 2.4 练习
2012-7-5 2
2.1 蚁群优化算法概述
2.1.1 起源 2.1.2 应用领域
2.1.3 研究背景
2012-7-5
3
2.1.1 蚁群优化算法起源 1/2
2012-7-5 5Fra bibliotek2.1.2 蚁群优化算法应用领域 这种方法能够被用于解决大多数优化问题 或者能够转化为优化求解的问题。现在其应用 领域已扩展到多目标优化、数据分类、数据聚 类、模式识别、电信QoS管理、生物系统建模、 流程规划、信号处理、机器人控制、决策支持 以及仿真和系统辩识等方面，群智能理论和方 法为解决这类应用问题提供了新的途径。
2012-7-5
7
2.1.3 蚁群优化算法研究背景 2/3
与大多数基于梯度的应用优化算法不同，群智能 依靠的是概率搜索算法。虽然概率搜索算法通常要采 用较多的评价函数，但是与梯度方法及传统的演化算 法相比，其优点还是显著的，主要表现在以下几个方 面： 1 无集中控制约束，不会因个别个体的故障影响 整个问题的求解，确保了系统具备更强的鲁棒性 2 以非直接的信息交流方式确保了系统的扩展性 3 并行分布式算法模型，可充分利用多处理器 4 对问题定义的连续性无特殊要求 5 算法实现简单
3
8
2
11 3
7
最优解为： 1100100100010011 最短路为： 1→2→5→8→12→15→16 2012-7-5
最优值为：18 27
2.2.2 简化的蚂蚁寻食过程 2/4
本图为从开始算起，经过18个时间单位时 的情形：走ABD的蚂蚁到达终点后得到食物又 返回了起点A，而走ACD的蚂蚁刚好走到D点。
2012-7-5 14
2.2.2 简化的蚂蚁寻食过程 3/4 假设蚂蚁每经过一处所留下的信息素为一个单 位，则经过36个时间单位后，所有开始一起出发的 蚂蚁都经过不同路径从D点取得了食物，此时ABD 的路线往返了2趟，每一处的信息素为4个单位，而 ACD 的路线往返了一趟，每一处的信息素为2个单 位，其比值为2：1。 寻找食物的过程继续进行，则按信息素的指导， 蚁群在ABD路线上增派一只蚂蚁（共2只），而 ACD 路线上仍然为一只蚂蚁。再经过 36 个时间单 位后，两条线路上的信息素单位积累为 12 和4，比 值为3：1。
2012-7-5
23
2.4 练习 1、理解和掌握蚁群算法的基本思想和算法 流程。
2、利用蚁群算法求出下面函数的极小值： z=2-exp[-(x2+y2)], x,y[-5,+5]
2012-7-5
24
3、利用蚁群算法求下面加权有向图中从A到G的最 短路：
1 5
C1
3
8
6
B1
8
6 7 6
C2
5
3
D1
2012-7-5
16
2.2.3 自然蚁群与人工蚁群算法
基于以上蚁群寻找食物时的最优路径选择问题， 可以构造人工蚁群，来解决最优化问题。 人工蚁群中把具有简单功能的工作单元看作蚂蚁。 二者的相似之处在于都是优先选择信息素浓度大的路 径。较短路径的信息素浓度高，所以能够最终被所有 蚂蚁选择，也就是最终的优化结果。 两者的区别在于人工蚁群有一定的记忆能力，能 够记忆已经访问过的节点。同时，人工蚁群再选择下 一条路径的时候是按一定算法规律有意识地寻找最短 路径，而不是盲目的。
2012-7-5
6
2.1.3 蚁群优化算法研究背景 1/3
群智能理论研究领域有两种主要的算法：蚁 群算法(Ant Colony Optimization, ACO)和粒子群 算法（Particle Swarm Optimization, PSO）。前 者是对蚂蚁群落食物采集过程的模拟，已成功应 用于许多离散优化问题。粒子群算法也是起源于 对简单社会系统的模拟，最初是模拟鸟群觅食的 过程，但后来发现它是一种很好的优化工具。
2012-7-5 21
2.2.4 实数编码的小生境蚁群算法（NACA） 5/5 把Temp限制在可行域内[start,end]; If f(Temp)>f(X[i]) % 目标函数值比较 X[i] = Temp；% 更新蚂蚁的位置成功 End End For each ant T[i] = (1-P)*T[i] + k*f(X[i]); % 更 新每个蚂蚁的信息素 End While (设定的最大迭代次数)
2012-7-5 22
2.3
小生境蚁群算法应用举例
计算下列函数的全局最大值： max f(x) = cos(2*pi*x)*cos(2*pi*y)*exp(-((x^2+y^2)/10)) s.t. -1 ≤ x , y≤ 1
1 0.5
如图所示： 0 该函数有多个局部 -0.5 极大点。
-1 1 0.5 0 0.5 -0.5 -1 -1 0 -0.5 1
7
如给出编码 1010100001000011 表示路：1→3→5→10→15→16 不相邻的权可记为M(一个很大的数)
2012-7-5 26
1
4
8
6
14 5 4 5 5 5 16 8 1 3 9 1 12 2 3 7 6 3 8 2 3 6 3 15 3 6 4 10 3 13 6
2
2
3 5 6
2012-7-5 15
2.2.2 简化的蚂蚁寻食过程 4/4
若按以上规则继续，蚁群在ABD路线上再增派 一只蚂蚁（共3只），而ACD 路线上仍然为一只蚂 蚁。再经过36 个时间单位后，两条线路上的信息素 单位积累为24和6，比值为4：1。 若继续进行，则按信息素的指导，最终所有的 蚂蚁会放弃ACD 路线，而都选择 ABD路线。这也 就是前面所提到的正反馈效应。
2012-7-5 19
2.2.4 实数编码的小生境蚁群算法（NACA） 3/5 % 循环迭代 T_Best = max(T); %求出最大信息素 For each ant Prob[i] = (T_Best-T[i])/T_Best; % 求每个蚂蚁的下一步转移概率 End For each ant If Prob[i]<P0 Temp = X[i]+min_step*(rand(1)-0.5); % 局部搜索
2012-7-5 8
2.1.3 蚁群优化算法研究背景 3/3 群智能方法易于实现，算法中仅涉及各种基 本的数学操作，其数据处理过程对CPU和内存的 要求也不高。而且，这种方法只需目标函数的输 出值，而无需其梯度信息。已完成的群智能理论 和应用方法研究证明群智能方法是一种能够有效 解决大多数全局优化问题的新方法。更为重要是， 群智能潜在的并行性和分布式特点为处理大量的 以数据库形式存在的数据提供了技术保证。无论 是从理论研究还是应用研究的角度分析，群智能 理论及其应用研究都是具有重要学术意义和现实 价值的。