admin管理员组文章数量:1531755
2024年5月11日发(作者:)
蚁群算法的研究现状 吴 斌
,
等
蚁群算法的研究现状
CurrentStatusofResearchonAntColonyAlgorithm
吴 斌 赵燕伟
(
浙江工业大学机电学院
,
杭州
310032
)
摘 要 蚁群算法是一种新型的模拟进化算法
,
研究表明该算法具有很好的通用性和鲁棒性
,
在离散的组合优化问题中实验
,
取得了
良好的效果。介绍了蚁群算法的原理
,
对目前蚁群算法的研究进展情况进行了分析
,
同时对比国内外的研究状况提出了自己的观点
,
以推动该算法在更广阔的领域内得到应用。
关键词 蚁群算法 研究 现状 蚁群系统 组合优化
TSP
Abstract
earchshowsthatthisalgorithmcanbecommonlyusedandoffers
verygoodrobustness,excellencipleofantcolonyalgorithmisintroduced
uationoftheresearchathomeandabroadarecomparedandtheviewpointofauthor
licationofthisalgorithminwiderareaispromoted.
Key
words
Antcolonyalgorithm
Research
Currentstatus
Antcolonysystem
Combinedoptimization
TSP
0
引言
很早人们就知道模仿生物的一些特性
,
来更好地
为人类服务。近几年
,
在优化算法领域
,
一种新的仿生
优化算法进入了人们的视野———蚁群算法
(
antcolony
algorithm
)
。首先
,
由意大利科学家
等人提
子来说明蚂蚁的搜索机制。
出
,
称为蚁群系统
(
antsystem,AS
)
,
并成功地用于求解
TSP
问题
,
引起了人们关注。在求解二次分配
[1]
、
Job
2
Shop
问题
[3]
、图着色问题
[4]
、车辆调度
[14]
、集成电路设
图
1
蚂蚁的搜索机制
如图
1
所示
,
假设在
t
=0
时刻有
16
只蚂蚁从巢
穴出发外出寻食
(
设蚂蚁在单位时间走过单位长度
)
。
在
t
=1
时到达
A
点
,
因为此时
AB
和
AC
都没有信息
激素
,
所以蚂蚁按等概率选择
,
8
只选择
AB,
8
只选择
AC
。在
t
=4
时
,
从
AB
走的
8
只到达食物处
,
并开始
计以及通信网络负载问题的处理中
作。
[5][13]
都取得了较
好的结果。越来越多的研究人员正在从事这方面的工
1
算法的原理
根据昆虫学家的观察
,
发现自然界的蚂蚁虽然视
觉不发达
,
但它可以在没有任何提示的情况下找到从
食物源到巢穴的最短路径
,
并且能在环境发生变化
(
如
原有路径上有了障碍物
)
后
,
自适应地搜索新的最佳路
径。为什么呢
?
原来蚂蚁在走过的路上会释放一种特
殊的分泌物———信息激素
(
pheromone
)
,
使得一定范围
内其它的蚂蚁能够觉察到并由此影响他们的行为
,
当
一条路上的信息激素越来越多
(
当然
,
随时间的推移会
逐渐减弱
)
,
后来的蚂蚁选择这条路径的概率也越来越
大
,
从而增加该路径的信息激素强度
,
这种选择过程称
为蚂蚁的自催化过程
,
其原理是一种正反馈机制
,
所以
蚂蚁系统也称为增强型学习系统。这里我们举一个例
返回。在
t
=5
时
,
返回的蚂蚁到达
D,
这时
BD
和
CD
上的信息素浓度还相等
,
都为
8
,
所以蚂蚁还按等概率
选择
,
4
只从
BD,
4
只从
CD
。在
t
=8
时
,
从
BD
返回
的
4
只蚂蚁返回巢穴
,
并重新外出。当
t
=9
时
,
又来
到
A,
此时
AB
的信息激素的浓度是
16
,
而
CA
的是
12
,
所以将有较多的蚂蚁选择从
AB
走。以后
,
如此循环
,
最后所有的蚂蚁都会选择
ABD
路线。
由此可以看出
,
蚁群算法的基本思想是模仿蚂蚁
依赖信息素
(
pheromone
)
进行通信而显示出的社会性行
为
,
在智能体
(
agent
)
定义的基础上
,
由一个贪心法指导
下的自催化
(
autocatalytic
)
过程引导每个智能体
(
agent
)
的行动
,
它是一种随机的通用试探法
,
可用来解各种不
同的组合优化问题。下面简单介绍一下
TSP
问题的基
本蚁群算法求解
:
1
《自动化仪表》第
25
卷第
1
期
2004
年
1
月
假设
n
个城市
,m
个蚂蚁
,
任意两城市
r,s
之间
的距离为
d
(
r,s
)
,
τ
(
r,s
)
表示两个城市间信息素的
τ
(
r,s
)
k
表示第
K
个蚂蚁访问过支路
(
r,s
)
浓度
,
Δ
后释放的信息浓度。
P
k
(
r,s
)
表示第
K
个蚂蚁的转
移概率
:
P
k
(
r,s
)
=
蚁密算法
(
ant
2
density
)
和蚁量算法
(
ant
2
quantity
)
。它们
的区别主要在于更新信息素的方式。对于这两种模
型
,
每个蚂蚁不是在整个路径结束后释放信息素
,
而是
在每一步的过程中释放。对于
ant
2
density
算法
,
每当蚂
蚁经过边
(
r,s
)
时
,
浓度为常量
Q
的信息素被释放在
这条边上。对于
ant
2
quantity
算法
,
每当蚂蚁经过边
τ
s
|
=z
τ
(
r,s
)
α
η
(
r,s
)
β
αβ
;s
|
z
6
τ
(
r,s
)
η
(
r,s
)
;s
∈
z
(
1
)
(
r,s
)
时
,
浓度为
Q/d
ij
的信息素被释放在这条边上。
0
很明显
,
在
ant
2
density
算法中
,
蚂蚁释放的信息素浓度
与边长度
d
ij
无关
;
在
ant
2
quantity
算法中
,
这两者就建
立了相关性。也就是说
,
蚂蚁倾向于选择下一步较短
的路径。
前面介绍的蚁群算法
,
又称为蚁周算法
(
ant
2
cy
2
clealgorithm
)
。由于蚁周算法在搜索过程中使用的反馈
式中
:s
表示未访问过的城市
;z
表示已经访问过城市
的集合
;
η
(
r,s
)
=1
/d
(
r,s
)
,
称为边弧的能见度
;
α
为
信息素浓度的重要程度
;
β
为可见度的相对重要程度。
信息素浓度更新公式为
τ
(
r,s
)
new
=
ρ
・
τ
(
r,s
)
old
+
k
∈
z
τ
(
r,s
)
6
Δ
k
(
2
)
式中
:
ρ
表示信息浓度挥发后的剩余浓度
;
Δτ
(
r,s
)
k
信息是全局的
,
而蚁量和蚁密算法使用的反馈信息都
是局部的
,
故蚁周算法要优于另两种算法
,
仿真的结果
也证明了这个推断。
此外
,
在
Dorigo
等人的论文中还对蚁群算法提出
了一些讨论
,
其中包括不同的蚁群初始分布对求解的
影响等
,
还提出了所谓的精英策略
(
elitistrategy
)
,
以强
化精英蚂蚁
(
发现迄今最好路径的蚂蚁
)
的影响。结果
发现
,
对精英蚂蚁数而言有一个最优的范围
,
低于此范
围
,
增加精英蚂蚁数可较早地发现更好的路径
,
高于此
范围
,
精英蚂蚁会在搜索早期迫使寻优过程始终在次
优解附近
,
导致性能变差。
1996
年
,Gambardella
和
Dorigo
又提出一种修正的
=
Q/L
k
;
若蚂蚁
k
访问过
(
r,s
)
0
;
若蚂蚁
k
没有访问过
(
3
)
Q
为一个常数
,
表示蚂蚁完成一次完整的路径搜索后
释放的信息素的总量
;L
k
表示路径总长度。整个算法
的过程
,
简单描述如下
:
①首先初始化
,
设迭代次数为
NC
。初始化
NC=
τ
(
r,s
)
初始化
;
将
m
个蚂蚁置于
n
个
0,
各
τ
(
r,s
)
,
Δ
顶点上
;
②将各个蚂蚁初始位置至于当前的解集
z
中。
然后对每个蚂蚁
k
(
k
=1
,
2
,
…
,m
)
,
按照概率
P
k
转移
到下一个城市
S,
将
S
置于当前解集中
,
如此循环
,
直
到所有的蚂蚁访问完所有的城市
;
③计算每个蚂蚁行走的总路径
L
k
,
并将最优解
保存
;
④按信息浓度更新公式
,
更新各边的信息浓度
;
τ
(
r,s
)
初始化
,NC=NC+1;
⑤各边的
Δ
⑥如果
NC
小于预定值并且没有稳定解
,
则转第
②步
,
否则输出最优解。
2
整个算法的复杂度为
O
(
NC
・
m
・
n
)
,
经实验
,
一般
蚁群算法
,
他们称之为蚁群系统
(
antcolonysystem,
ACS
)
。它与前面提到的蚁群算法有三点不同
:
①蚂蚁选择城市时遵循的规则不同
,
这里使用的
是所谓的状态转移规则
(
statetransitionrule
)
:
argMAX
[[
τ
(
r,s
)
]
・
[
η
(
r,s
)
]
];
S
k
=
αβ
s
|
z,Q
≤
Q
0
P
k
;s
|
z,
其他
(
4
)
式中
:
Q
是一个随机变量
;Q
0
是一个阀值。蚂蚁在选
择下一个城市之前先进行一次随机试验得
Q,
若
Q
≤
Q
0
,
则选择城市时按取最大值的情况转移
,
如果
Q
>
Q
0
,
则按式
(
1
)
的转移概率转移。
情况下
,m
取与
n
同一数量级
,
大致相等的情况下
,
效
3
果最好
,
所以最终复杂度是
O
(
NC
・
n
)
。算法中的参
数设置
,
现在尚无理论上的研究
,
已公布的实验结果都
是针对特定问题而言的
,
就
TSP
问题
,
从实验结果可
α
≤
β
≤
5
,
0
1
1
≤
ρ
≤
0
1
9
(
0
1
7
左右最佳
)
,
知
:0
≤
5
,
1
≤
10
≤
Q
≤
10000
,
各参数在以上区间内取值
,
能得到比较
②全局更新规则不同。全局更新不再是对所有
的蚂蚁
,
而是仅对一次循环中最优的蚂蚁使用。
③增加了局部更新规则。局部更新规则是在所
有蚂蚁完成一次转移后执行。
为了克服蚁群算法存在的收敛慢、容易出现停滞
现象、算法的运算时间长等缺点
,
人们提出了许多改进
算法。德国学者
Thomastuzle
和
Holerhoos
[8]
提出的一种
好的结果。
2
算法研究
还设计了两种蚁群算法的变形
,
分别是
2
PROCESSAUTOMATIONINSTRUMENTATION,Vol.25,No.1,Jan.,2004
蚁群算法的研究现状 吴 斌
,
等
改进的算法
,
最大最小系统
(
max
2
minantsystem,
MMAS
)
是比较好的一个算法
,
在解决
TSP,QAP
等问题
鲁棒性。从提出到现在
,
仅短短十余年的时间
,
但其在
离散型组合优化问题中
,
表现得很突出
,
所以引起人们
的关注。目前蚁群算法的研究学者主要集中在比利
时、意大利、德国等国家
,
美国和日本在近几年也开始
了对蚁群算法的研究。国内的研究始于
1998
年末
,
主
要在上海、北京、东北少数几个学校和研究所开展了此
项工作
,
主要围绕
TSP
及相关问题的实验仿真
,
少数涉
及通信网络的路由选择
[29]
、负载平衡、电力系统的故
障检测
[10]
以及蚁群算法在连续系统应用
[19,23,26]
,
如函
数逼近
[19]
等方面应用的尝试。在国外
,
蚁群算法已经
在集成电路布线
[5]
、网络路由选择
[13]
、机器人线路规
划
[15]
等方面得到了应用。自
1998
年
,
第一届蚂蚁优化
国际研讨会召开以来
,
已经是第三届了
,
大大推动了蚁
群算法的发展。蚁群算法已经引起越来越多的关注
,
尽管还缺乏完善的理论分析
,
对它的有效性也没有给
出严格的数学解释
,
但回顾模糊控制的发展历史
,
理论
的不完善并不妨碍应用
,
有时应用是超前于理论的
,
并
推动理论的研究。我们相信蚂蚁算法必将得到广泛的
应用。
参考文献
1
ColormA,DorigoM,butedoptimizationbyant
colonies[C].ficialLife,
Paris,FranceElsevierPublishing,1991:134
~
142
2
DorigoM,onysystem:acooperativelearning
approachtothetravelingsalesmanproblem[J].IEEETransonEvolu
2
tionaryComputation,1997,1
(
1
)
:53
~
66
3
ColorniA,temforjob
2
shopscheduling[J].JORBEL,
1994,34
(
1
)
:39
~
53
4
CostaD,colorgraphs[J].oftheOpnlResSoc,
1997,48
(
3
)
:295
~
305
5
CoelloCAC,GutierrezRLZ,GarciaBM,tedde
2
ering
Optimization,2002,34
(
2
)
:109
~
127
6
ticfromnatureforhardcombinationoptimizationprob
2
lems[J].InternationalTransactionoperationalresearch,1998,3
(
1
)
:
1
~
21
7
MerkleD,lgorithmwithanewpheromoneeval
2
uationrulefortotaltardinessproblems,Real
2
WorldApplicationsofEvo
2
lutionaryComputing,Proceeding2000,18
(
3
)
:287
~
296
8
StutzleT,
2
GenerationCom
2
puterSystems,2000,16
(
8
)
:889
~
914
9
GambardellaLM,TaillardED,oniesforthe
lofTheOperationalResearchSo
2
ciety,1999,50
(
2
)
:167
~
176
10
ChangCS,TianL,proachtofaultsectionestima
2
icPowerSystemsRe
2
search,1999,49
(
1
)
:63
~
70
11
KuntzP,LayzellP,yofantlikeagentsforpartition
2
时结果要优于一般的
ACO
类算法。
MMAS
与
ACS
两者
的共同点是在算法的每次迭代中只允许表现最好的蚂
蚁更新路径上的迹
;
其不同之处主要在于如何防止过
早的停滞现象
(
stagnation
)
。
MMAS
限定了痕迹浓度允
许值的上下限
,
并且采用了平滑机制
,MMAS
在算法启
动时将所有支路上的痕迹浓度初始化为最大值
τ
max
,
每次迭代后
,
按挥发系统
ρ
降低痕迹浓度
,
只有最佳
路径上的支路才允许增加其浓度
,
并保持在高水平上。
但是
,
光采用最大最小痕迹浓度的限制还不足以在较
长的运行时间里消除停滞现象
,
因此采用了平滑机制
;
(
r,s
)
之差。痕迹浓度的增加正比于
τ
max
和当前浓度
τ
对于
ACO
算法的收敛性问题
,2002
年
Gutjah
首先在他
的论文中证明了
ACO
类算法的收敛性
[18]
。
一些学者还把蚁群算法与其他的算法相结合。意
大利学者
Fabio,Abbattista
等人受遗传算法的启发提出
蚁群算法和遗传法相结合的思路。鉴于在蚁群算法中
参数
α
,
β
(
分别对应信息素和能见度对决策的权重
)
和
Q
(
对应蚂蚁在一个周期中留下的信息素量
)
的选择对
算法的性能有很大影响
,
可以将
α
,
β
和
Q
看成代表蚂
蚁典型特征的染色体
G
中的三段代码。在
G
中
,G
α
和
G
β
将
α
,
β
编码为实数
,G
Q
将
Q
编码为整数
,
然后将此
染色体通过遗传算子交由一个进化过程处理。这样就
把蚁群系统的协作效应与遗传算法的进化效应结合起
来。
1999
年
,
吴庆洪等
[
28
]
提出了具有变异特征的蚁群
算法。其核心思想是为了克服蚁群算法收敛较慢的问
题
,
采用逆转变异方式
,
随机地进行变异
,
以增大进化
时所需的信息量。这种变异机制充分利用了
2-
交换
法简洁高效的特点
,
因而具有较快的收敛速度。
还有一些学者提出了一些自适应算法
,
如把常数
Q
改为时间的函数
[
24
]
等。本文作者针对现有算法中
每只蚂蚁都要访问所有城市的问题
,
提出了一种信息
交换算法
,
即若干蚂蚁在某个城市相遇后
,
互相交换信
息
,
这样蚂蚁系统不止是在并行的寻找所有可能路径
,
而且在同一条路径上也在并行搜索。具体算法和实验
数据将另文发表。
蚁群算法在其他方面的应用
,
如
Job
2
shop
、二次分
配等
,
算法虽然不一样
,
但其原理是一样的
,
都可以归
结为图上寻优的过程。
3
结束语
蚁群算法是一种新生算法
,
具有很强的通用性和
3
《自动化仪表》第
25
卷第
1
期
2004
年
1
月
4
th
ficalLife.
BostonMITPress,1997:417
~
424
12
MiddendorfM,ReischleF,olonyantalgorithms.
JournalofHeuristics,2002,8
(
3
)
:305
~
320
13
CordoneR,edantsystemandlocalsearchtodesign
ationsofEvolutionaryComput
2
ing,Proceeding,2001,2037:60
~
69
14
BullnheimerB,HartlRF,ovedantsystemalgorithm
ofOperationsResearch,1999,
89:319
~
328
15
,RobertMatthews,k,SevenBrueck
2
er,EvolvingAdaptivePheromonepathplanningmechanisms,Proceed
2
ingsofthefirstinternationaljointconferenceonAutonomousagentsand
multiagentsystems,ACMpress,2002:434
~
400
16
WangLei,manceevolutionofantsystemoptimization
.4
th
WCICA2002,IEEEpress:2546
~
2550
17
YangXinbin,SunJingao,usteringmethodbased
.4
th
WCICA2002,IEEEpress:2223
~
2226
18
GutjahACOalgorithmswithguaranteedconvergencetotheoptimalsolu
2
tion[J].InformationProcessingLetters,2002,82
(
3
)
:145
~
153
19
WangLei,examplestudyonantsystemalgorithm
.4
th
WCICA2002,IEEE
press:2541
~
2545
20
庄昌文
,
范明钰
,
等
.
基于协同工作方式的一种蚁群布线系统
.
半
收稿日期
:2002-12-06
。
第一作者吴斌
,
男
,1979
年生
,
在读硕士研究生
;
研究兴趣为神经网
络、蚁群算法及其应用。
导体学报
,1999,20
(
5
)
:400
~
406
21
覃刚力
,
杨家本
.
自适应调整信息素的蚁群算法
.
信息与控制
,
2003,31
(
3
)
:199
~
201
22
马良
,
项培军
.
蚁群算法在组合优化中的应用
.
管理科学学报
,
2001,4
(
2
)
:32
~
37
23
马良
.
一种全局优化的新方法
.
系统工程与电子技术
,2000,22
(
9
)
:61
~
63
24
王颖
,
谢剑英
.
一种自适应蚁群算法及其仿真研究
.
系统仿真学
报
,2002,14
(
1
)
:30
~
33
25
张纪会
,
高齐圣
,
徐心和
.
自适应蚁群算法
.
控制理论与应用
,
2000,17
(
1
)
:1
~
3
26
林锦
,
朱文兴
.
凸整数规划问题的混合蚁群算法
.
福州大学学报
(
自然科学版
)
,1999,27
(
6
)
:5
~
9
27
郑肇葆
.
协同模型与遗传算法的集成
.
武汉大学学报
(
信息科学
版
)
,2001,26
(
5
)
:381
~
385
28
吴庆洪
,
张纪会
,
徐心和
.
具有变异特征的蚁群算法
.
计算机研究
与发展
,1999,36
(
10
)
:1240
~
1245
29
王颖
,
谢剑英
.
一种基于蚁群系统的多点路由新算法
.
计算机工
程
,27
(
1
)
:55
~
56
30
徐宁
,
朱小科
,
等
.
用于两端线网布线的蚁群系统方法
.
计算机辅
助设计与图形学学报
,2002,14
(
5
)
:410
~
412
基于
PSD
算法的单神经元
PID
控制器在汽温控制中的应用
TheApplicationofPSDAlgorithmBasedSingleNeuronPIDControllerinSteamTempera
2
tureControl
肖 军 任挺进 李东海 高琪瑞
(
清华大学热能工程系
,
北京
100084
)
摘 要 介绍将自适应
PSD
控制算法中递推计算并修正增益的方法引入单神经元
PID
控制
,
形成了具有增益自适应能力的控制器
,
设
计了基于
PSD
算法的单神经元
PID
控制器
,
并应用于超临界机组过热汽温控制系统。仿真结果表明
,
基于
PSD
算法的单神经元
PID
控
制器具有较强的自适应能力和鲁棒性
,
其控制品质优于常规的
PID
控制器和一般单神经元控制器。
关键词
PID
控制器 单神经元
PSD
算法 过热汽温控制 超临界机组
Abstract
Byintroducingrecurrencecalculationandgaincorrectionofself
2
adaptivePSDcontrolalgorithmintosingleneuronPIDcontrol,thecontroller
withself
2
esingleneuronPIDcontrollerbasedonPSDalgorithmisdesignedandusedinsuperheatedsteam
ultofsimulationshowsthatthesingleneuronPIDcontrollerbasedonPSDalgorithmoffershigha
2
bilityofself
2
trolqualityofthiscontrollerisbetterthanofconventionalPIDcontrollerandcommonsingleneuroncon
2
troller.
Key
words
PIDcontroller
Singleneuron
PSDalgorithm
Superheatedsteamtemperaturecontrol
Supercriticalpowerunit
4
PROCESSAUTOMATIONINSTRUMENTATION,Vol.25,No.1,Jan.,2004
版权声明:本文标题:蚁群算法的研究现状 内容由热心网友自发贡献,该文观点仅代表作者本人, 转载请联系作者并注明出处:https://m.elefans.com/dianzi/1715435560a452044.html, 本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容,一经查实,本站将立刻删除。
发表评论