遗传算法与蚂蚁算法的融合
遗传-蚁群融合算法在离散型优化中的研究及实现
较稳定 ．在足够 的时 间代 价下得到满意结果 的概 率较
高。
遗传算法 的缺点是后期 收敛速度慢 ．而且容 易陷 入“ 早熟 ” ． 原始数据集合越 大运算越慢 ． 而且运算 时间 呈现指数上升特 点 ． 对 于运算时 的反馈信息未 利用 ． 导 致大量无用的冗余迭代 ． 求精 确解效率较低
１ 遗传 一 蚁群 算 法 融合 思 想
１ ． １ 遗 传 算 法 的优 缺 点
遗传 算法 （ Ｇ ｅ ｎ ｅ ｔ ｉ ｃ Ａ ｌ ｇ ｏ ｉ ｒ ｔ ｈ ｍ） 是 １ ９ ７ ５年 美 国密 执
蚂蚁爬过后积 累下的信 息素 ．使最短路径 的信 息素越 来越浓 ． 最终形成一条最优路径。 它具有分布 、 并行 、 全 局收敛能力 ． 后期收敛速度快 ， 运算 速度快 的特点 。
人 民有 点 出 版 社 ． １ ９ ９ ６
适合 于各种数据规模 的运算 ． 特别是 大数 据计算时 ． 求
解 过 程 非 常 稳 健 和高 效 ．时 间 性 能 和优 化 性 能 比单 一 算 法 具 有 明 显 时 间 优 势 和 性 能 优 势
１ ０ｏ ０
『 ２ １ 赵 义武 ， 牛庆银 ， 王宪成 ． 遗 传 算 法 与 蚁 群 算 法 的 融 合 研
三
中的优缺点 ．并采 用 Ｃ ＃ 语 言实现通过遗传一 蚁群融合
算 法 进 行 离 散 型数 学 模 型 的 优 化 计 算 ．然 后 对 油 田增 产 措 施 方 案 优 化 的实 例 进 行 对 比分 析 ．证 明 融 合 算 法
一种遗传蚁群融合算法的函数优化求解问题
一种遗传蚁群融合算法的函数优化求解问题摘要:遗传算法是一种借鉴生物界自然选择和自然遗传机制的随机化搜索方法,可直接对结构对象进行操作,但是如果兼顾收敛速度和解的品质两个指标,单纯的遗传算法未必表现出原理本身的优越性。针对上述问题,提出一种新的遗传蚁群融合算法,利用蚁群算法的正反馈机制,来提高遗传算法运行的速度和效率,从而更好更快的解决函数优化求解问题。
关键词:遗传算法蚁群算法算法融合函数优化
遗传算法[1](genetic algorithm,GA)是一种模拟自然选择和遗传进化机制的优化算法,它是由美国Michigan大学的Holland教授于20世纪70年代提出的。它的主要特点是简单、通用、鲁棒性强,适用于并行分布处理,应用范围广。
蚁群算法[2](ant colony algorithm,ACA)是由意大利学者Dorigo于20世纪90年代初在他自己的博士论文中提出。它是一种最新发展的模拟昆虫王国中蚂蚁群体觅食行为的仿生优化算法,该算法采用了正反馈并行自催化机制,具有较强的鲁棒性、优良的分布式计算机制、易于与其它方法结合等优点。但是它的缺点是运算初期信息素匮乏,求解速度缓慢。
优化问题的求解在遗传算法研究中占很大比重,诸如TSP等组合优化问题一直是遗传算法十分活跃的研究课题。尽管遗传算法比其它
传统搜索方法有更强的鲁棒性,但它对于算法计算过程中的反馈信息却没有利用,往往由此导致无为的冗余迭代,从而使得求解的效率不断降低。且遗传算法更善长全局搜索而局部搜索能力却不足。遗传算法可以用极快的速度达到最优解的90%左右,但要达到真正的最优解则要花费很长的时间。一些对比实验还表明,如果兼顾收敛速度和解的品质两个指标,单纯的遗传算法方法未必比其它搜索方法更优越。为此,除了要进一步改进基本理论和方法外,还要采用和神经网络、模拟退火或专家系统等其它方法结合的策略。许多研究结果表明,采用这种混合模型可有效提高遗传算法的局部搜索能力,从而进一步改善其收敛速度和解的品质。
改进的蚁群遗传优化算法及其应用
摘
要： 针 对 当前移动机器人的一 些路径 规 划算法存 在的局 限性 ， 提 出了一种 基 于改进 蚁群优 化和遗 传优化 的
融合算 法。利 用改进的信 息素更新 技 术和路 径 节点 选择技 术使 算 法尽 快找 到优 化路径 ， 来形成 融合 算法 的初始 种
群， 机 器人每前进一 步 ， 蚂蚁就 对局部路 径重新搜 索， 并处理随机 出现 的障碍物 ； 然后 利 用遗传算 法（ Ｇ Ａ） 对种群 个体
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ：Ｉ ｎ ｏ ｒ ｄ ｅ ｒ ｔ ｏ ｏ ｖ ｅ ｒ ｃ ｏ ｍｅ ｔ ｈ ｅ ｌ ｉ ｍｉ ｔ ａ ｔ ｉ ｏ ｎ ｏ ｆ ｔ ｈ ｅ ｃ ｕ ｒ ｒ ｅ ｎ ｔ ｐ ａ ｔ ｈ ｐ ｌ ａ ｎ ｎ ｉ ｎ ｇ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍｓ ｆ ｏ ｒ ｍｏ ｂ ｉ ｌ ｅ ｒ ｏ ｂ ｏ ｔ ，ａ ｆ ｕ ｓ ｉ ｏ ｎ ｌｇ ａ ｏ ｉｔ ｒ ｈ ｍ
Ｊ ｏ ｕ ｒ ｎ ａ ｌ ｏ ｆ Ｃｏ ｍｐ ｕ ｔ ｅ ｒ Ａｐ ｐ ｌ ｉ ｃ ａ ｔ ｉ ｏ ｎ ｓ
Ｉ Ｓ ＳＮ １ ０ ０１ ． ９ ０８１
２ ０１ ３．１１ — ０１
计 算机 应用， ２ ０ １ ３ ， ３ ３ （ １ １ ） ： ３ １ １ １ —３ １ １ ３ ， ３ １ ２ ８ 文章 编号 ： １ ０ ０ １ — ９ ０ ８ １ （ ２ ０ １ ３ ） １ １ — ３ １ １ １ — ０ ３
遗传算法与蚁群算法的融合研究
逼近 ， 同时 以全局并 行 搜 索 方式 来 搜 索 优 化群 体 中
的最优 个 体 ， 以求 得 满 足 要 求 的最 优 解 ］ 。其 优
２１ ００年 ３月 １ ９日收到 国家重点实验室开放基金 （ Ｆ９ ９ ） Ｋ ０ ０ １ 资助
其缺点是 ： 由于搜 索初期 信息素 匮乏 ， 导致搜
索初 期 积累信 息 素时 间较 长 ， 解速 度慢 。 求
１ 遗传算法与蚁群 算法 融合的基本思想
遗传算 法具 有 快 速全 局 搜 索 能力 ， 是 对 于 系 但
第一作者简介 ： 赵义武 （ ９ ５ ） 河南信 阳人 ， 士生 ， １８ 一 ， 硕 研究 方 向：
＠
２ １ ＳｉＴ ｃ． ｎｎ． ０ ０ ｃ ｅｈ Ｅ ｇｇ ．
遗传 算 法 与 蚁群 算 法 的融 合研 究
赵 义武 牛庆 银 王 宪成
（ 甲兵 工 程 学 院 基 础 部 数 学室 ， 械 系 ， 京 １０ ７ ） 装 机 北 ０ ０ ２
摘
要
遗传算法具 有快速全 局搜 索能力， 但对于系统 中的反馈信息却没有利用 ， 往往导 致无为 的冗余迭代 ， 求解 效率不高。
关键词
遗传 算法
融入遗传算法的混合蚁群算法
０ 引 言
蚁 群 算 法 （ ｔ ｏｏｙａ ｏ ｔｍ， Ａ） １９ 年 意 大 利 学 ａ ｌ ｌ ｒｈ ＡＣ 是 ９ １ ｎ ｃ ｎ ｇｉ
１ 基 本蚁 群 算 法 原 理
蚁 群 算 法 最 先 用 于 求 解 Ｔ Ｐ问 题 ， 面 就 以 Ｔ Ｐ问题 为 Ｓ 下 Ｓ 例 来 说 明 蚁 群 系 统 。 有 ｎ个 城 市 组 成 的 集 合 Ｃ 蚂 蚁 数 目为 设 ， ｍ， ｄ ｉ 一１ ， ｎ表 示 城 市 ｉ 城 市 ｊ 间 的距 离 ， ） 示 用 ｉ， ， …，） ｊｊ ２ （ 和 之 ｔｔ （表 在 时 刻 ｔ 市 ｉ 城 市 ｊ 间 的 路 径 上 的 残 留 信 息 素 强 度 ，以 城 和 之 此 来 模 拟 实 际 蚂 蚁 的分 泌 物 。蚂 蚁 ｋｋ ， …， 在 运 动 过 程 （ ＝１ ， ｍ） ２ 中 ， 据 各 条 路 径 上 的信 息 量 决 定 其 转 移 方 向， 时 用 禁 忌 表 根 同 ａ ｋ ｔ ｕ ｋ＝ １ ， ｎ 来 记 录 蚂 蚁 ｋ当 前 所 走 过 的城 市 ， 合 随 着 ｂ（ ， …，） ２ 集 ｔ ｕ进 化 过 程 作 动 态 调 整 。在 搜 索 过 程 中 ，蚂 蚁 根 据 各 条 路 ａ ｋ ｂ 径 上 的信 息 量 及 路 径 的 启 发 信 息 来 计 算 状 态 转 移 概 率 。 ｔ ） 表 示在 ｔ 时刻 蚂 蚁 ｋ由城 市 ｉ 移 到城 市 Ｊ的状 态 转 移 概 率 ， 转
原对偶遗传与蚁群算法的融合
3.2
融合衔接阶段
由于本文将通过函数来测试原对偶遗传蚁群算
48
2012， 48 （36）
Computer Engineering and Applications 计算机工程与应用
法的性能， 故以函数测试为例， 首先， 假设函数是 K 元 函数， 将每一个未知量所对应的定义域 [ LO(i) UP (i)] 进行 N 等分 （既有 N + 1 个节点） ， 其次， 从原对偶遗 传算法阶段所得到的解中选取最好的 NUM 个解参 与到下面的融合阶段。下面是融合衔接的主要程序：
作者简介： 钟海萍 （1987—） ， 男， 硕士研究生， 研究方向： 系统优化； 张培爱 （1973—） ， 女， 博士， 研究方向： 系统优化； 张京友 （1987—） ， 男， 硕士研究生， 研究方向： 系统优化。 E-mail： zhp0493@163.com 收稿日期： 2012-02-13 修回日期： 2012-04-23 文章编号： 1002-8331 （2012） 36-0046-04 CNKI 出版日期： 2012-06-26 http://www.cnki.net/kcms/detail/11.2127.TP.20120626.1057.002.html
…
τG = zeros( N + 1 K )
上 式 中 τij (t ) 为 路 径 (i j) 在 t 时 刻 的 信 息 素 轨 迹 强
基于遗传算法和蚁群算法融合的QoS路由算法
Ｋｅ ｏｄ ：ｇｎｔ ｌ ｒｈ ａｔ ｏｏｙａｇｒｈ Ｑ Ｓｒｕｉｇ ｙｗ ｒ ｓ ｅｅｉ ａｇ ｉ ｍ； ｎ ｃｌ ｌ ｉ ｍ； ｏ ｔ ｃ ｏｔ ｎ ｏｔ ｏ ｎ
随着 ｌｔ ｎｔ ｎ ｒｅ 的发展 ， 入 ｌｔ ｎｔ ｅ 接 ｎ ｒｅ 的用户业务也趋于多样 ｅ 化， 并具有 明确 的 Ｑ Ｓ需 求。如 何充 分利用 网 络资 源来满 足 ｏ 多样化 的 Ｑ Ｓ ｑ ａｔ ｏ ｒ ｃ ） 求 ， ｏ （ ｕｌｙ ｆ ｅｖ ｅ 需 ｉ ｓ ｉ 这就 引出 了网络 的 Ｑ Ｓ ｏ 问题 … 。当前 ， ｏ 由技术是 网络支持 Ｑ Ｓ Ｑ Ｓ路 ｏ 保证 的关键技术
之 一 ， 这 方 面 已 经 有 不 少 的 研 究 成 果 。经 过 证 明 ， 个 不 相 在 多
文献 ［２ 中提出 了一种遗传算法 与蚂蚁算 法动态融合 的 １Ｉ 软／ 硬件 划分算 法 ， 综合运用这两种算法 ， 在遗传算 法迭 代过程
Ａｂｔ ｃ：Ｆｒ ｈ ｏ ｕ ｎ ｒｂｅ ｔｉｐ ｐｒ ｅｉｎｄａＱ Ｓｒｕ ｎ ｌ ｒｈ ｃｏｄｎ ｅｃｍｂｎｔ ｎｏ ｅｇ— ｓ ａ ｔ ｏ ｅＱ Ｓｒ ｔ ｇｐｏ ｌ ｒ ｔ ｏｉ ｍ，ｈｓ ａｅ ｄｓ ｅ ｏ ｔ ｇａ ｏｉ ｍ ａｃｒｉｇｔ ｔ ｏ ｉａ ｏ ｆｈ ｅ ｇ ｏｉ ｇ ｔ ｏｈ ｉ ｔ ｎｔ ｌ ｒｈ ｎ ｎ ｃｌｎ ｌ ｒｈ Ｇ Ａ Ｏ Ｑ Ｓ ． ａｉｇａｖｎａｅｏ ｇｎｔ ｌ ｒｈ ａ ｓｄｔ ｐｏ ｕｅｔ ｒ ｉ ｅｃａ ｏ ｔ ａｄａｔ ｏ ｙａ ｏｉ ｍ（ Ａ Ｃ — ｏ ） Ｔ ｋｎ ｄａｔ ｆ ｅｅ ｃ ｇ ｉｍ ｗ ｓ ｅ ｒ ｃ ｅｏｉ — ｉ ｇｉ ｍ ｏ ｇ ｔ ｇ ｉａ ｏ ｔ ｕ ｏ ｄ ｈ ｇ
遗传算法与蚁群算法结合
遗传算法与蚁群算法结合
遗传算法
1、基本思想
2、算法原理
3、代码实现
4、结果截图
5、总结
1·基本思想
吸取两个算法的优点，优缺互补，克服两个算法的缺点，利⽤了遗传算法的快速时间效率，优于蚂蚁算法的时间效率。并且求解精度效率优于遗传算法。这样就提⾼了两个算法结合的算法时间效率和求解精度。
2、算法原理
这个算法的原理是先利⽤遗传算法的快速性、全局收敛性和随机性求出结果，结果产⽣有关问题的初始信息素分布，遗传算法执⾏完在运⽤蚁群算法，在⼀定初始信息素分布的情况下，充分利⽤蚁群算法并⾏性、正反馈性、求解精度效率⾼的特点。
3、代码实现
%main
clear;
clc;
%%%%%%%%%%%%%%%输⼊参数%%%%%%%%
N=50; %%城市的个数
M=100; %%种群的个数
ITER=500; %%迭代次数
%C_old=C;
m=2; %%适应值归⼀化淘汰加速指数
Pc=0.8; %%交叉概率
Pmutation=0.05; %%变异概率
%%⽣成城市的坐标
pos=randn(N,2);
%%⽣成城市之间距离矩阵
D=zeros(N,N);
for i=1:N
for j=i+1:N
dis=(pos(i,1)-pos(j,1)).^2+(pos(i,2)-pos(j,2)).^2;
D(i,j)=dis^(0.5);
D(j,i)=D(i,j);
end
end
%%⽣成初始群体
popm=zeros(M,N);
for i=1:M
popm(i,:)=randperm(N);%随机排列，⽐如[2 4 5 6 1 3]
end
%%随机选择⼀个种群
面向方案组合优化设计的混合遗传蚂蚁算法
ｇ ｎ ｒ ｌ ｅ ｉｔ ｎ ｅ ａ ｎ ｃ ｍｅ ｆ ｎｃｉ ｎ ｃ ｒ ｉｒ ｅ ｅ ａｉ ｄ ｄ ｓａ ｃ ｍｏ ｇ ｓ ｈｅ ｕ ｔｏ ａ ｒｅ ｓ．Ｔｈ ｐｔｍａ ｃ ｍｅ ｉ ｇ ｉ ｄ ｂｙ ｔ ｋ ｎ ｈ ｅ ｒ ｌｚ ｄ ｚ ｅｏ ｉ ｌｓ ｈｅBaidu Nhomakorabea ｓ ａｎｅ ａ ｉ ｇ ｔ ｅ ｇ ｎｅ ａｉｅ
维普资讯 http://www.cqvip.com
第 １ 卷 第 １ 期 ８ ０
２０ ０ ６年 ｌ ０月
计算 机辅 助设计 与 图形学 学报
Ｊ ＯＵＲＮＡＬ ＯＦ Ｃ ＯＭＰＵＴ ＥＲ— ＤＥ ＤＥＳ ＧＮ ＆ Ｃ ＡＩ Ｄ Ｉ ＯＭ Ｐ ＵＴＥＲ ＧＲＡＰ ＣＳ ＨＩ
Ｖｏ１ １ ． ８．ＮＯ． ０ １
遗 传 算 法 和蚂 蚁 算 法 进 行 改 进 并 融 合 形 成 混 合 算 法 ． 实验 结 果 表 明 ， 混 合算 法 较 好 地 解 决 了 方 案 设 计 过 程 中 由多 该
个方 案 组 合 难 以获 得 优 化 解 的 问题 ．
关键 词 方 案 设 计 ； 遗传 算 法 ； 蚁 算 法 ； 合 算 法 蚂 混
ｓｕ ｅ ｔ ｄｉｄ，ａ ｈ ｏ ｎｄ ｔ ｅ ｃ ｍｍｉ ｇ ｅ ｌ ｏ ｉｈ ｃ ｎ ｌｄ ａｇ ｒｔ ｍ ｏｍｂ ｎ ｎ ｈ ｗｏ ｉ ｒ ｖ ｄ ａｇ ｒｔ ｍｓ ｉ ｒ ｇ ｏｒ ｒ ｉ ｉ ｇ ｔ ｅ ｔ ｍｐ ｏ ｅ ｌ ｏ ｉｈ ｓ ｂ ｏｕ ｈｔｆ ｗａ ｄ．Ｔｈｅ ｅ ｅ ｉ ｎｔ ｌｒ ｓ ｌｓｓ ｏ ｔ ｔｔ ｅ ｃ ｍｍｉ ｇ ｅ ｌ ｏ ｉｈｍ ａ ｆｅ ｔｖｅｙ ｓ ｖ ｈｅ ｐ ｏ ｌｍ ｘｐ ｒｍｅ ａ ｅ ｕ ｔ ｈ ｗ ｈａ ｈ ｏ ｎ ｌｄ ａｇ ｒｔ ｃ ｎ ｅｆ ｃ ｉ ｌ ｏｌｅ ｔ ｒ ｂ ｅ ｗｈｉｈ ｉ ｒ ｏ ｃ ｓｈａ ｄ ｔ ｇ ｉ ｈｅｏ ｉ ｌｓ ｌ ｔｏ ｒ ｍ ｏ ａｎ ｔ ｐｔｍａ ｕ ｉｎ ｆｏ ｃ ｍｂｉ ｄ ｓ ｈ ｍｅ ｎ ｔ ｅ ｐ ｏ ｅ ｓｏ ｃ ｍｅ ｄ ｓｇ ｏ ｎｅ ｃ ｅ ｓ ｉ ｈ ｒ ｃ ｓ ｆｓ ｈｅ ｅ ｉ ｎ． Ｋｅ ｒ ｓ ｓ ｈ ｍ ｅｄ ｓｇｎ；ｇｅ ｅ ｉ ｌ ｏ ｉｈ ；ａ ｔａｇ ｒｔ ｍ ；ｃ ｍｍｉ ｇｌｄ ａｇ ｒｔ ｍ ｙ ｗｏ ｄ ｃ ｅ ｅ ｉ ｎ ｔｃ ａｇ ｒｔ ｍ ｎ ｌ ｏ ｉｈ ｏ ｎ ｅ ｌｏ ｉｈ
蚁群算法与遗传算法的混合算法
蚁群算法与遗传算法的混合算法
蚁群算法（Ant Colony Optimization，ACO）和遗传算法（Genetic Algorithm，GA）都属于启发式算法的范畴，它们分别从不同的角度对问
题进行建模和求解。蚁群算法以模拟蚁群觅食行为为基础，通过信息素和
启发式规则指导蚂蚁解空间；而遗传算法通过模拟进化过程，利用交叉和
变异运算生成新的个体，并适应性地选择个体进行下一代的繁衍。两者在
解决问题时有各自的局限性，因此将两种算法相结合，形成混合算法，可
以克服各自的缺点，实现更有效的求解。
蚁群算法具有较强的全局能力，但其速度较慢，且可能会陷入局部最
优解。而遗传算法能够在过程中较快地收敛到局部最优解，但有可能会陷
入局部最优解无法跳出。因此，将两者结合起来，可以同时利用蚁群算法
的全局和遗传算法的局部特性。
混合算法的基本思想是，将蚁群算法作为全局策略，用于生成一组较
优的解，然后利用遗传算法在这组解中进行局部优化，以寻找最优解。整
个混合算法的流程如下：
1.初始化蚁群相关参数和遗传算法的相关参数，包括蚁群大小、信息
素更新速率、遗传算法的种群大小、交叉和变异的概率等；
2.使用蚁群算法生成一组初始解，并计算每个解的适应度；
3.利用遗传算法从初始解中选择适应度较高的一部分个体，作为种群；
4.对种群进行交叉和变异操作，生成下一代个体；
5.计算下一代个体的适应度；
6.如果满足停止条件（如达到指定迭代次数或找到满意解），则输出结果；否则，返回第3步，继续优化。
在混合算法中，蚁群算法和遗传算法的相互作用可以通过以下几种方式实现：
遗传算法与蚁群优化算法的混合优化策略在无线传感器网络中的应用
遗传算法与蚁群优化算法的混合优化策略在
无线传感器网络中的应用
遗传算法与蚁群优化算法是两种常用的优化算法，在无线传感器网络中的应用
也备受关注。本文将探讨遗传算法与蚁群优化算法的混合优化策略在无线传感器网络中的应用。
一、无线传感器网络简介
无线传感器网络是由大量分布在特定区域内的无线传感器节点组成的网络。这
些节点能够感知环境中的信息，并通过无线通信将数据传输到基站或其他节点。无线传感器网络具有广泛的应用领域，如环境监测、智能交通、农业等。
二、遗传算法的基本原理及应用
遗传算法是一种模拟生物进化过程的优化算法。它通过模拟自然选择、交叉和
变异等操作，逐步优化问题的解。遗传算法具有全局搜索能力和并行性强的特点，广泛应用于函数优化、组合优化等领域。
在无线传感器网络中，遗传算法可以应用于路由优化、能量管理等问题。例如，在路由优化中，遗传算法可以通过调整传感器节点之间的通信路径，使得网络的能量消耗最小，延迟最小，从而提高网络的性能。
三、蚁群优化算法的基本原理及应用
蚁群优化算法是模拟蚂蚁觅食行为的一种优化算法。蚂蚁在觅食过程中通过信
息素的沉积和挥发，不断调整自己的行动策略，最终找到最优的食物源。蚁群优化算法通过模拟蚂蚁的觅食行为，寻找问题的最优解。
在无线传感器网络中，蚁群优化算法可以应用于节点部署、能量均衡等问题。例如，在节点部署中，蚁群优化算法可以根据节点之间的通信距离和能量消耗等因素，自动调整节点的位置，使得网络的覆盖范围最大，能量消耗最小。
四、遗传算法与蚁群优化算法的混合优化策略
遗传算法和蚁群优化算法都有各自的优势和局限性。遗传算法具有全局搜索能力，但容易陷入局部最优解；蚁群优化算法具有局部搜索能力，但收敛速度较慢。因此，将两者结合起来，可以充分发挥它们的优势，提高优化效果。
遗传算法和蚁群算法融合在人脸识别中的应用
遗传算法和蚁群算法融合在人脸识别中的应用摘要：利用遗传算法快速全局搜索能力和蚁群聚类算法正反馈机制及分布式并行计算能力，融合后用于图像中人脸检测，经过在orl库上进行实验，证明此方法效果良好。
关键词：人脸检测；遗传算法；蚁群算法
中图分类号：tp183 文献标识码：a 文章编号：1007-9599 （2013） 04-0000-02
1 概述
人脸识别是生物特性鉴别技术的一个重要方向，它涉及图像处理，模式识别，计算机视觉等多个研究领域，具有十分广泛的应用前景，多年来一直是一个研究热点。国内外关于人脸检测和人脸跟踪的方法多种多样，并且不断有新的研究成果出现，文献[1-2]描述了近年来人脸识别的主要方法和进展。
通过模拟自然生态系统机制以求解复杂优化问题的仿生优化算法相继出现（如遗传算法、蚁群算法、微粒群算法、人工免疫算法等），一些仿生优化算法已在经典np问题的求解和实际应用中显示出了强大的生命力和发展潜力。
遗传算法[3]是最初由美国michigan大学的j.holland教授于1975年首先提出来的，是一种通过模拟自然进化过程搜索最优解的方法，该算法的主要优势在于：a、具有领域无关的群体性全局搜索能力；b、使用评价函数启发搜索过程；c、使用概率机制迭代；
d、扩展性强。缺点是：搜索过程不能有效利用系统的反馈信息，往往做大量的冗余迭代，向最优解收敛时速度减慢，使得求解效率低下。
蚁群算法是m.dorigo[4]模仿真实蚂蚁的行为而提出的，用概率算法的方法在图中找出最佳的路径。该算法在许多组合优化问题上具有优势，表现在：a、具有正反馈机制，通过信息素的不断更新高效收敛到最优解；b、强鲁棒性，随机优化；c、分布式优化有利于并行计算；d、自适应性使其在全局优化时既可求解单目标优化问题，也可求解多目标优化问题。其缺点是：初始信息素缺乏，初期为积累信息素所用搜索时间较长。
基于遗传算法的混合蚁群算法
ＸＩＡＯ Ｈｏｎｇ － ｆｅｎｇ， ＴＡＮ Ｇｕａｎ － ｚｈｅｎｇ．Ｈｙｂｒ ｉｄ Ａｎｔ Ｃｏｌｏｎｙ Ａｌｇｏｒ ｉｔｈｍ ｂａｓｅｄ ｏｎ Ｇｅｎｅｔｉｃ Ａｌｇｏｒ ｉｔｈｍ．Ｃｏｍｐｕｔｅｒ Ｅｎｇｉｎｅｅｒ ｉｎｇ ａｎｄ Ａｐｐｌｉｃａｔｉｏｎｓ， ２００８， ４４（ １６） ： ４２－ ４５．
ｋｋ
ｋｋ
ｋ
ｋｋ
ｋｋ
ｋ
Ｔ ｂ ｂ ｂ ｂ ｂ Ｔ ｂ ｂ ｂ ｂ ｂ 为 （ … … ） 、（ … … ） 。 １， ｉ１ ２， ｉ２
ｊ， ０ ｊ＋１， ｉｊ＋１
ｒ， ｉｒ
１， ｉ１ ２， ｉ２
ｊ， １ ｊ＋１， ｉｊ＋１
ｒ， ｉｒ
Ｔｏｕｒ０ 和 Ｔｏｕｒ１ 两 条 路 径 对 应 的 位 置 关 系 如 图 ３， 对 应 的 路 径
作者简介： 肖宏峰， 博士研究生， 讲师， 主要研究领域： 智能控制、智能优化理论与算法等； 谭冠政， 博士， 博士生导师， 主要研究领域： 智能仿生机器 人 、模 式 识 别 与 智 能 控 制 及 先 进 控 制 理 论 与 控 制 算 法 等 。
收稿日期： ２００７－ ０７－ ２０ 修回日期： ２００７－ １２－ １９
１ 引言
遗 传 算 法 和 蚁 群 算 法（ ＡＣＳ， Ａｎｔ Ｃｏｌｏｎｙ Ｓｙｓｔｅｍ） 都 具 有 适 应 范 围 广 、通 用 性 能 强 等 共 同 的 特 点 ， 广 泛 用 于 离 散 系 统 工 程 优化。两者有各自的优缺点： 遗传算法有比较强的全局搜索的 优点， 特别是当交叉概率比较大时， 能产生大量的新个体， 提高 了全局搜索范围， 遗传算法收敛速度也比较慢， 为此众多学者 采用各种方法来改善提高遗传算法的收敛速度， 他们的方法可 以划分两种类型， 一种是采用与求解的具体问题有关的交叉算 子［１－３］， 另 一 种 是 在 遗 传 算 法 中 融 合 其 它 算 法 ， 如 拟 牛 顿 优 化 算 法、模拟退火算法， 构成混合遗传算法［４－７］。蚁群算法采用正反馈 原理， 具有局部搜索能力强和收敛速度比较快等优点， 但全局 搜索能力相对遗传算法来说要弱一些， 提高蚁群算法全局搜 索能力的一个重要方法是采用自适应蚁群算法等， 如参考文
遗传算法与蚁群算法的改进融合_陈亚云
（2）
0
others
式中： cmin— ——f（x）的估计最小值。 2.1.4 选择操作
根据适应度函数计算种群每个个体的适应度， 通
过改进的轮盘赌选择方法选择出优良的个体。 设种群
248
中国农机化学报
2014 年
Biblioteka Baidu
大小为M， 父代种群Z= {a1, a2, …, ai, …, aM}， 其中每
个个体的适应度大小为f (ai)； 子代群体初始状态为X=
求最大值形式且函数值为非负的适应度函数。 本文
采用界限构造函数：
若目标函数为最小化问题：
! Fit （f（t）) = cmax－f （x）f （x）<cmax
（1）
0
others
式中： cmax— ——f （x） 的估计最大值。
若目标函数为最大化问题：
! Fit （f（t）)= f （x）－cmax f （x）＞cmax
提高种群的多样性， 有效地避免传统遗传算法 “早
熟” 的缺点。
2.1.6 变异操作
变异也是提高种群多样性的一种方法， 但是发生
变异的概率相对较小。 种群以变异概率Pm进行变异， 采用互换变异的方法。
2.1.7 循环操作
判断迭代次数是否达到设定的迭代代数， 若达
到,则停止进化， 选择最优适应度值对应的染色体所
遗传算法与蚁群算法融合在电网规划中的应用
算法初始化信息素的过程为遗传算法求解最优解 的阶段 ， 因此必须对求解的目标问题进行染色体 编码 ， 考虑此染色体结果需要转化成蚁群算法的 初始信息素 ， 本文将待选的线路排序 ， 将每一条 排好序的待选线路作为染色体的一个基因 。 基因 的编码采用十进制的方式 ， 即待选的走廊数均作 为一个基因位 ， 基因的数值大小则表示走廊架设 的回路数 ， 这样编码为转化成初始信息素提供方 便 ， 而且各走廊架设的线路数与基因位也一一对 应 [8] 。 其表达式可表示为 ： (2) 式 中 ， 为 目 标 函 数 的 染 色 体 编 码 ；n 为 待 选 线 路的数量 ； i 为输电线路走廊架设的线路回数 ； 为走廊待选回路数的最大值 。 2.2 适应度函数 遗传算法将求解问题表示为染色体位串空 间 ， 为了执行适者生存的原则 ， 必须对个体位串 的适应性进行评价 。 本文以求解架设线路的最小 费 用 为 目 标 函 数 ， 因 此 将 目 标 函 数f 与 适 应 值 函 数g 做相应的调整 [6] ： (3) 在求解适应值函数时 ， 将约束条件应用惩罚 因子加以处理 ， 即当染色体满足目标函数的约束 条件时，直接按目标函数代入上述公式计算染色体 的适应值 ； 当染色体不满足约束条件的限制 ， 则 引入相应的惩罚因子 ， 从而目标函数则转变成含 惩罚函数的目标函数 。 2.3 遗传操作 遗传操 作 是 遗 传 算 法 保 留 优 良 个 体 、 淘 汰 缺 陷个体 、 保持特种多样性的最重要操作 ， 它包括 选择 、 交叉 、 变异操作 。 为了更好地保留种群中的优良个体 ， 在选择 前 ， 先对所有的个体根据适应值排序 ， 选择一定比 例的个体直接遗传到下一代 ， 然后对其他的个体利 用基于转盘赌的选择的方式进行选择操作 。 对于选 定的两个个体位串 ， 随机选择多个交叉点 ， 构成交 叉点集合 ， 采用多点交叉方式进行交叉操作 。 变异 是为了保持特种的多样性 ， 但是变异的概率不能太 大 ， 否则容易变成随机算法 ， 因而对不同的算例采 用不同的变异概率 ， 随机选择变异的个体 ， 然后随 机选择变异的基因，从而维持个体的多样性[9]。 电网规 划 编 码 采 用 实 值 形 式 ， 因 此 ， 变 异 也 采用实值变异 ， 即 ： (4) 式 中 ， ± 表 示 以 等 概 率 取 “ + ” 号 或 “ —” 号 ，
遗传算法和蚁群算法融合在人脸识别中的应用
２ 遗 传 一蚁群 （ Ｇ Ａ － Ｃ Ａ ）算法 的基 本原 理和 设计 的遗传算法的过程 中，不能有效地保证最佳的时间融合在 思 想 遗传算法上 。在文献 ｌ 的融合策略的基础上，提 出在这里
利用 遗传 算法 “ 生成＋ 检测” 的能力进 行快 速全 局搜 索 ， 可 以确保最佳的整合时机 。主要的方法如图 （ ａ ）所示。 在 一定 程度 上解 决 信息 反馈 系 统使 用 的不足 造成 的大量 的 ４ 实验 分析 冗余 迭代 ，解 决效 率下 降 问题 。蚁 群聚 类算 法可 以实现初 ４ ． １ 混合蚁群算法仿真分析 始化随机分散的数据 ，在搜索的初始阶段由于数据和运动 根据前述算法流程，应用多维混合建模分析对训练图 的随机性，使得搜索的速度缓慢 ，但随时间推移 ，后期效 像进行二阶相关和降维，提取训练图像 的独立基成分构造
一 —
制 ，通过信息素的不断更新高效收敛到最优解； ｂ 、强鲁棒 当ｑ ＞ － ｑ ｏ 时，执行基本蚁群算法的探索性搜索；当 ｑ ＜ ｑ ０ 性，随机优化 ；ｃ 、分布式优化有利于并行计算；ｄ 、 自适 时，是利用 已有的优解中找概率最大 的路径作为选择 ，为
应 性使 其 在全 局优 化 时 既可求 解 单 目标优 化 问题 ，也 可求 确 定 性搜 索 。 解 多 目标优 化 问题 。其 缺 点是 ：初 始信 息 素缺 乏 ，初期 为 关于遗传算法和蚁群算法融合解决问题的策略总体优 积 累信 息素 所用 搜索 时 间较 长 。 化 ，设定 一个 固定 的迭代 次数 ，这将 导致 过早 或过 晚 结束
- 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搜索从群体出发 ,具有潜在的并行性 ; 可进 行多值比较 ,鲁棒性强 ;
收稿日期 :2002210223 ;修回日期 :2003206212 基金项目 :国家自然科学基金 (60174021) ;天津自然科学基金重点项目 (013800711) ;河南科技攻关项目 (0124140141)
[τil
]α[ηij ]β ( t) ]α[ηil
]β
,
j
∈U ,
0,
其他1
213 MMAS( max2min ant system) 算法
MMAS 算法是比利时学者 Thomas St utzle 提
出的[8] ,它对基本蚂蚁算法 (AS) 进行了 3 点改进[9] :
①为了更加充分地进行寻优 ,各路径信息素初值设
摘 要 遗传算法具有快速随机的全局搜索能力 ,但对于系统中的反馈信息利用却无能为力 ,当求解到一定范围时往往 做大量无为的冗余迭代 ,求精确解效率低1 蚂蚁算法是通过信息素的累积和更新收敛于最优路径上 ,具有分布式并行全 局搜索能力1 但初期信息素匮乏 ,求解速度慢1 算法是将遗传算法与蚂蚁算法融合 ,采用遗传算法生成信息素分布 ,利用 蚂蚁算法求精确解 ,优势互补1 仿真表明取得了非常好的效果1 关键词 遗传算法 ;蚂蚁算法 ;融合 ; 中图法分类号 TP301 ; TP18
最短路径1 特别地 ,当蚂蚁巢穴与食物源之间出现 障碍物时 ,蚂蚁不仅可以绕过障碍物 ,而且通过蚁群 信息素轨迹在不同路径上的变化 ,经过一段时间的 正反馈 ,最终收敛到最短路径上[6 ,7 ]1 212 蚂蚁圈模型
蚂蚁圈模型是全局优化较好的蚂蚁算法 , 假如 路径 ( i , j) 在 t 时刻信息素轨迹强度为τij , 蚂蚁 k 在路径 ( i , j) 上留下的单位长度轨迹信息素数量 Δτkij ,轨迹的持久性 ρ(0 ≤ρ< 1) , 则轨迹强度的更
新方程[6 ,8 ]为
∑ τij ( t + 1) = ρ·πij ( t) + Δτkij ( t) 1
设 Zk 为第 k 只蚂蚁在本次循环中所走的路径
的长度 ,则Δτkij ( t) = Q/ Zk , 其中 Q 是一个常数[5 ,6 ]1 如果 设 ηij 为 边 路 径 ( i , j ) 的 能 见 度 , 一 般 取 为
new 1 = 7 6 5 4 1 2 3 8 9 ,
第 40 卷 第 9 期 2003 年 9 月
计算机研究与发展 J OU RNAL OF COM PU TER RESEARCH AND DEV ELOPM EN T
Vol140 ,No19 Sep1 2003
遗传算法与蚂蚁算法的融合
丁建立 陈增强 袁著祉
(南开大学信息技术科学学院 天津 300071) (jianliding @yahoo1com1cn)
图 1 GAAA 算法总体框架
312 GAAA 中遗传算法的定义与设置 编码与适应值函数 :结合解决问题 ,采用十进制
实数编码 ,适应值函数结合目标函数而定1 如 TSP 问题 ,以城市的遍历次序作为遗传算法的编码 ,适应 度函数取为哈密顿圈的长度的倒数1
种群生成与染色体选择 :利用 rand 函数随机生 成一定数量的十进制实数编码种群 ,根据适应值函 数选择准备进行交配的一对染色体父串1
1/ dij , 这里 dij为路径 ( i , j) 的长度 , 路径可见度的
相对重要性β(β≥0) , 路径轨迹的相对重要性 α(α
≥0) , U 为可行顶点集 , 蚂蚁 k 在 t 时刻的转移概
率为
p
k ij
(
t)
,则
p
k ij
(
t)
可定义[6
Leabharlann Baidu
,8
]如下
p
k ij
(
t)
=
∑[τij l ∈U
( t)
2 蚂蚁算法的优化机理及模型描述
211 蚂蚁算法的优化机理 蚂蚁有能力在没有任何提示下找到从其巢穴到
食物源的最短路径 ,并且能随环境的变化而变化 ,适 应性地搜索新的路径 ,产生新的选择1 其根本原因 是蚂蚁在寻找食物源时 ,能在其走过的路上释放一 种特殊的分泌物 ———信息素 (pheromone ,随着时间 的推移该物质会逐渐挥发) ,后来的蚂蚁选择该路径 的概率与当时这条路径上该物质的强度成正比1 当 一定路径上通过的蚂蚁越来越多时 ,其留下的信息 素轨迹也越来越多 ,后来蚂蚁选择该路径的概率也 越高 ,从而更增加了该路径的信息素强度1 而强度 大的信息素会吸引更多的蚂蚁 ,从而形成一种正反 馈机制1 通过这种正反馈机制 ,蚂蚁最终可以发现
遗传算法是由美国密执安大学的 John Holland 教授于 1975 年首先提出的一类仿生型优化算法1 它是以达尔文的生物进化论“适者生存 、优胜劣汰” 和孟德尔的遗传变异理论“生物遗传进化主要在染 色体上 ,子代是父代遗传基因在染色体上的有序排 列”为基础 ,模拟生物界进化过程1 其优点是 :
1352
计算机研究与发展
2003 年
③搜索使用评价函数启发 ,过程简单 ; ④使用概率机制进行迭代 ,具有随机性 ; ⑤具有可扩展性 ,容易与其他算法结合1 其缺 点 是 : 对 于 系 统 中 的 反 馈 信 息 利 用 不 够[2 ] ,当求解到一定范围时往往做大量无为的冗余 迭代 ,求精确解效率低1 蚂蚁算法 (ant algorit hm , AA) 是近年来刚刚诞 生的随机优化方法 ,它是一种源于大自然的新的仿 生类算法1 它是意大利学者 M1 Dorigo 等最早提 出[3 ,4 ]的 ,蚂蚁算法主要是通过蚂蚁群体之间的信 息传递而达到寻优的目的 ,最初又称蚁群优化方法 (ant colony optimization , ACO)1 由于模拟仿真中使 用了人工蚂蚁的概念 ,因此亦称蚂蚁系统 (ant sys2 tem , AS)1 其优点是 : 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1 其缺点是 :初期信息素匮乏 ,求解速度慢[5 ]1 本文算法是将遗传算法与蚂蚁算法的融合 ,采用 遗传算法生成信息素分布 ,利用蚂蚁算法求精确解 , 优势互补 ,期望获得优化性能和时间性能的双赢1
Abstract Genetic algorit hm has t he ability of doing a global searching quickly and stochastically1 But it can’t make use of enough system output information1 It has to do a large redundancy repeat for t he result when solving to certain scope1 So t he efficiency to solve precision result s is reduced1 Ant algorit hm con2 verges on t he optimization pat h t hrough information pheromone accumulation and renewal1 It has t he abili2 ty of parallel processing and global searching1 The speed at which t he ant algorit hm gives t he solution is slow , because t here is little information pheromone on t he pat h early1 The algorit hm in t his paper is based on t he combination of genetic algorit hm and ant algorit hm1 First , it adopt s genetic algorit hm to give infor2 mation pheromone to dist ribute1 Second , it makes use of t he ant algorit hm to give t he precision of t he solu2 tion1 Finally , it develops enough advantage of t he two algorit hms1 The simulation result s show t hat very nice effect s are obtained1
On the Combination of Genetic Algorithm and Ant Algorithm
D IN G J ian2Li , CHEN Zeng2Qiang , and YUAN Zhu2Zhi
( College of Inf orm ation Technology and Science , N ankai U niversity , Tianji n 300071)
Key words genetic algorit hm ; ant algorit hm ; combination
1 引 言
启发式智能化方法近年来愈来愈引起了众多学 者的关注和兴趣1 诸如神经网络、模拟退火 、禁忌搜 索 、遗传算法 、蚂蚁算法 、DNA 计算等 ,它们毫无争 议地成为解决组合爆炸及 N P 类问题的锐利工具1 然而 ,面对各种问题的特殊性和复杂性 ,每一种算法 都表现其自身的优势和缺陷 ,都会面临时间性能和 优化性能的双重挑战[1 ]1
为最大值τmax ; ②一圈中只有最短路径的蚂蚁才进
行信息素修改增加 ,这与 AS 蚂蚁圈模型调整方法
相似 ; ③为了避免算法过早收敛非全局最优解 ,将各
路经的信息素浓度限制在 [τmin , τmax ]之间 ,超出这 个范围的值被强制设为 τmin或者 τmax1 从实验结果
看 ,MMAS 算法在防止算法过早停滞及有效性方面
对 AS 算法有较大的改进1
3 遗传算法与蚂蚁算法的融合( GAAA)
311 GAAA 算法的设计思想及总体框架 遗传算法与蚂蚁算法的融合 (genetic algorithm2
ant algorithm , GAAA) ,其基本思想是汲取两种算法的 优点 ,克服各自的缺陷 ,优势互补1 在时间效率上优于 蚂蚁算法 ,在求精解效率上优于遗传算法 ,是时间效 率和求解效率都比较好的一种新的启发式方法1
交叉算子 :采用 Davis 提出的顺序交叉方法 ,先 进行常规的双点交叉 ,再进行维持原有相对访问顺 序的巡回路线修改1 具体交叉如下 :
①随机在父串上选择一个交配区域 ,如两父串 选定为
ol d1 = 1 2 | 3 4 5 6 | 7 8 9 ,
ol d2 = 9 8 | 7 6 5 4 | 3 2 11 ②将 ol d2 的交配区域加到 ol d1 前面 , 将 ol d1 的交配区域加到 ol d2 的前面 : ol d1′= 7 6 5 4 | 1 2 3 4 5 6 7 8 9 , ol d2′= 3 4 5 6 | 9 8 7 6 5 4 3 2 11 ③依次删除 ol d1′, ol d2′中与交配区相同的数 码 ,得到最终的两子串 :
其基本思路是算法前过程采用遗传算法 ,充分 利用遗传算法的快速性 、随机性 、全局收敛性 ,其结
9期
丁建立等 :遗传算法与蚂蚁算法的融合
1353
果是产生有关问题的初始信息素分布1 算法后过程 采用蚂蚁算法 ,在有一定初始信息素分布的情况下 ,
充分利用蚂蚁算法并行性 、正反馈性 、求精解效率高 等特点1 其总体框架如图 1 所示 :