第7章new 群集智能算法

ACO 基本规则（三）

觅食规则：
感知范围内寻找是否有食物，如果有就直接过去。 否则看是否有信息素，并且比较在能感知的范围内 哪一点的信息素最多，朝信息素多的地方走，并且 每只蚂蚁多会以小概率犯错误，从而并不是往信息
素最多的点移动。蚂蚁找窝的规则和上面一样，只
不过它对窝的信息素做出反应，而对食物信息素没
具体定义各种参数，如范围、信息素消逝函数等；
3.
4.
为算法中的蚂蚁制定相应的移动规则；
选择一种适应的蚁群优化算法并将其合理地应用
到自己的问题解决方案中去；
5.
适当调整所应用的蚁群算法中的对应参数以达到
较好的实验效果.
2. 应用蚁群算法求解TSP问题
设m为蚁群中蚂蚁的数量，
n 为旅行商要走过的城市数,
消减的越快。 错误概率：表示这个蚂蚁不往信息素最大的区域 走的概率，越大则表示这个蚂蚁越有创新性。 速度半径：表示蚂蚁一次能走的最大长度，也表


示这个蚂蚁的感知范围。

记忆能力：表示蚂蚁能记住多少个刚刚走过点的
坐标，这个值避免了蚂蚁在本地打转，停滞不前。
而这个值越大那么整个系统运行速度就慢，越小
反应。
ACO 基本规则（四）

移动规则：
每只蚂蚁都朝向信息素最多的方向移，并且，当周 围没有信息素指引的时候，蚂蚁会按照自己原来运 动的方向惯性的运动下去，并且，在运动的方向有 一个随机的小的扰动。为了防止蚂蚁原地转圈，它 会记住最近刚走过了哪些点，如果发现要走的下一
点已经在最近走过了，它就会尽量避开。
分离
列队
聚合

分离规则给了一个主体试图与其它邻近的主体保 持一定的距离的能力。确保主体之间以一个“看
似自然”的接近度，模拟真实世界中的群体，以
避免主体拥挤在一起。

队列规则为一个主体提供了与其他邻近主体列队 的能力（即与其他邻近主体航向或速度相同）。 与分离类似，本文将队列说明为：通过每一个 flock成员观察邻近同伴，然后调整它的航向和速
ACO （Ant Colony Optimization） 基本规则（一、二）

范围：
蚂蚁观察到的范围是一个方格世界，蚂蚁有一个参数 为速度半径（一般是3），那么它能观察到的范围就 是3*3个方格世界。

环境： 蚂蚁所在的环境是一个虚拟的世界，其中有障碍物， 有别的蚂蚁，还有信息素，信息素有两种，一种是找 到食物的蚂蚁洒下的食物信息素，一种是找到窝的蚂 蚁洒下的窝的信息素。环境以一定的速率让信息素消 失。
则蚂蚁越容易原地转圈。

按钮：是把当前更改的所有蚂蚁的个体属性应用
到所有的蚂蚁身上。

实现的原理
有两条路径通向食物
蚂蚁聚集到较短的路径
现在的问题是蚂蚁究竟是怎么找到食物的呢？ 在没有蚂蚁找到食物的时候，环境没有有用的信息 素，那么蚂蚁为什么会相对有效的找到食物呢？ 这要归功于蚂蚁的移动规则，尤其是在没有信息素 时候的移动规则。
取得了良好的仿真试验结果。
7.2.1 蚁群算法
1. 蚁群算法的模拟试验
该试验在各个蚂蚁在没有事先告诉它們食物在什么
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信息素，吸引其他的蚂蚁过来， 这样越来越多的蚂蚁会找到食物！
但有些蚂蚁并没有像其它蚂蚁一样总重复同样的路，
它們会另辟蹊径，如果令开辟的道路比原来的其他 道路更短，那么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。
这个试验程序的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完成这样复杂的功
能？
答案是：巧妙地利用简单规则来实现集体智慧。
每只蚂蚁并不是像我们想象的需要知道整个世界的
信息，它們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。这些规则就是下面所述的简单的6条规则
度以与其邻近同伴的平均航向和速度相匹配。

聚合规则给了一个主体与其他邻近主体“聚合
（group）”的能力，从而模拟自然界的类似行
为。

Reynolds在稍后的实现和论文中又增加了有时被
称作flocking“第四规则”的规则。
躲避：使避免撞上局部区域的障碍和敌人

躲避规则的作用是为主体提供了使它绕过障碍和
dij(i,j=1,2,3,…,n) 为城市i到j的距离，
bi(t) 为 t 时刻位于城市 i 的蚂蚁个数
τij(t)为 t 时刻在 ij 连线上残留的信息量，初始时
刻各条路径上的信息量相等，即
τij (1)=C（C为常数）。
如果在时间间隔 (t,t+1) 中， m 个蚂蚁都从当前城市 选择下一个城市，则经过 n 个时间间隔，所有蚂蚁 都走完n个城市，构成一轮循环，此时，按如下方法 修改各条路径上的残留信息：

首先，它要能尽量保持某种惯性，这样使得蚂蚁 尽量向前方移动（开始，这个前方是随机固定的
一个方向），而不是原地无谓的打转；

其次，蚂蚁要有一定的随机性。虽然有了固定的
方向，但它也不能像一个小球一样直线运动下去，
而是有一个随机的干扰。这样就使得蚂蚁运动起 来具有了一定的目的性，尽量保持原来的方向， 但又有新的试探，尤其当碰到障碍物的时候它会 立即改变方向。
两条路从窝通向食物，ቤተ መጻሕፍቲ ባይዱ始的时候，走这两条路
的蚂蚁数量同样多（或者较长的路上蚂蚁多，这
也无关紧要）。

当蚂蚁沿着一条路到达终点以后会马上返回来，这 样，短的路蚂蚁来回一次的时间就短，这也意味着
重复的频率就快，因而在单位时间里走过的蚂蚁数
目就多，洒下的信息素自然也会多，自然会有更多 的蚂蚁被吸引过来，从而洒下更多的信息素，而长 的路径则正好相反。因此，越来越多地蚂蚁聚集到 较短的路径上来，最短的路径就近似找到了。
ACO 基本规则（五、六）

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/找窝的规则行动。

播撒信息素规则：
在不同的蚁群优化算法中，有的其中的蚂蚁每次 散播的信息素是一个常量，有的其中蚂蚁散播的信 息素是一个变量，但是这些信息素都是动态变化并 随时间逐渐消逝的。
群集智能(Swarm Intelligence)指的是“无智能的 主体通过合作表现出智能行为的特性”。
7.2群集智能的基本算法介绍
7.2.1 蚁群算法
蚁群算法是对蚂蚁群落食物采集过程的模拟，已经 成功运用在很多离散优化问题上。
7.2.2 flock算法 flock算法后者也是起源对简单社会系统的模拟，最 初设想是模拟鸟群觅食的过程。
τij (t n) ρ τij (t ) Δτij
Δτ ij
1
Δτ
k 1
m
k ij
ρ为信息残留系数，则ρ-1表征了从时刻t到 t+n在路 径ij上残留信息的挥发程度。表示第k只蚂蚁在本次循 环中留在路径 ij 上的信息量。
（1） Ant-Circle System模型
Q , 若第k只蚂蚁在本次循环中经过ij k Δτij Lk 0, 否则
第7章 群集智能算法
第7章 群集智能算法
7.1群集智能算法的研究背景
7.2群集智能的基本算法介绍
7.3 集智系统介绍
7.4 群集智能的优缺点
7.1群集智能算法的研究背景
起源于对人工生命的研究。
“人工生命”是用来研究具有某些生命基
本特征的人工系统。包括两方面的内容：
1. 研究如何利用计算技术研究生物现象
下来。

我们可以把多样性看成是一种创造能力，而正反
馈是一种学习强化能力。正反馈的力量也可以比
喻成权威的意见，而多样性是打破权威体现的创
新性。

正是这两点巧妙的结合才使得智能行为涌现出来。

从广义来讲，大自然的进化，社会的进步、人类
的创新实际上都离不开这两样东西，多样性保证
了系统的创新能力，正反馈保证了优良特性能够
2. 研究如何利用生物技术研究计算问题
7.1群集智能算法的研究背景
对群集智能的研究是受社会性昆虫行为的启发， 从事计算研究的学者通过对社会性昆虫的模拟产生 了一系列对传统问题的新的解决方法，这些研究就 是群集智能的研究。 群体 (Swarm) 指的是“一组相互之间可以进行直 接通信或者间接通信 ( 通过改变局部环境 ) 的主体， 这组主体能够合作进行分布问题求解”；
7.2.2 flock算法
Flock算法是由Craig Reynolds于1987年在一
篇为SIGGRAPH所写的论文“Flocks, Herds, and Schools: A Distributed Behavioral Model”中首次提
出的一种集智技术。这种技术有3个简单的规则，当
它们组合在一起时，为自治主体（boid）群给出了
蚁群算法过程模拟
模拟试验结果的思考
追寻蚂蚁的踪迹，我们能够发现什么呢？通过上
面的原理叙述和实际操作，我们不难发现蚂蚁之
所以具有智能行为，完全归功于它的简单行为规 则，而这些规则综合起来具有下面两个方面的特 点：

多样性 正反馈

多样性保证了蚂蚁在觅食的时候不置走进死胡同 而无限循环；

正反馈机制则保证了相对优良的信息能够被保存

试验参数的说明 最大信息素：蚂蚁在一开始拥有的信息素总量， 越大表示程序在较长一段时间能够存在信息素。


食物释放信息素的半径：在食物点和窝点附近都
会释放相应的信息素以便蚂蚁能更快的找到它们。 这个半径越大，则越容易被蚂蚁找到。

信息素消减的速度：随着时间的流逝，已经存在
于世界上的信息素会消减，这个数值越大，那么
得到强化，两者要恰到好处的结合。

如果多样性过剩，也就是系统过于活跃，这相当
于蚂蚁会过多的随机运动，它就会陷入混沌状态；
而相反，多样性不够，正反馈机制过强，那么系
统就好比一潭死水。这在蚁群中来讲就表现为，
蚂蚁的行为过于僵硬，难以找到新的更佳的路径。
用蚁群算法解决问题的步骤
1. 2.
能够把待解决的问题用图的形式抽象表达出来；
一个类似于鸟群、鱼群或蜂群的群体行为的逼真表
现形式。这些被Reynolds称之为定向行为 （Steering Behaviors）。
7.2.2 flock算法
定向行为的规则：
分离：定向时要避免与本地flock同伴拥挤 列队：驶向本地flock同伴的平均航向 聚合：定向时朝着本地flock同伴的平均位置移 动
Q 为常量，Lk 为第 k 只蚂蚁在本次循环 中所走路径的长度。
（2）Ant- Quantity System模型
Q t和t 1之间经过ij d , 若第k只蚂蚁在时刻 k ij ij 0, 否则
（3）Ant-Density System模型
k ij
Q, 若第k只蚂蚁在时刻t和t 1之间经过ij 0, 否则
为什么蚂蚁能够顺利找到食物，它們具有智能么？
要为模拟蚂蚁觅食设计一个智能程序，需要设置那 些功能呢？ 首先，我们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它們能够巧妙的避开
障碍物；
其次，要让蚂蚁找到食物，就需要让它們遍历空
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。
避免碰撞的能力。这种控制行为是这样完成的：
通过赋予每个主体“向前看”一段距离的能力，
决定与一些对象的碰撞是否可能，然后调整航向
以避免碰撞。

Flock技术通过这四个简单的规则最终模拟出逼
真的群体行为，更有意思的是这种移动算法本身
是无状态的：在移动更新中，不记录任何信息。
在每次更新循环中，每只boid都将重新评估
其环境。这样不但降低了内存需求，同时让物群

这可以看成一种选择的过程，也就是环境的障碍
物让蚂蚁沿着是某个方向正确，而其他方向则不
正确。在有一只蚂蚁找到了食物后，其他蚂蚁会
沿着信息素很快找到食物。
蚂蚁如何找到最短路径的？

这一是要归功于信息素；二是要归功于环境，即
计算机时钟。信息素多的地方显然经过这里的蚂
蚁会多，因而会有更多的蚂蚁聚集过来。假设有
蚁群算法是受到上世纪五十年代仿生学的启发，
由意大利学者 M.Dorigo 等人首先提出的一种新型的
模拟进化算法，该算法在求解组合优化问题中体现
出优良的特性。
作为一种基于种群的启发式搜索算法，它能很好 的利用蚁群的集体寻优特征来寻找蚁穴和食物之间 的最短路径。因此，被广泛应用于旅行商问题 （ TSP ）、 Job-shop 调度问题、指派问题等等，都