原创

蚁群算法的简单优化

蚁群算法(Ant Colony Algorithm, ACA)由Marco Dorigo于1992年提出。

蚁群算法是一种群智能算法,它是由一群无智能或有轻微智能的个体(Agent)通过相互协作而表现出智能行为,从而为求解复杂问题提供了一个新的可能性。

在自然界中,蚂蚁觅食过程中,蚁群总能够按照寻找到一条从蚁巢和食物源的最优路径。

蚁群算法的基本原理来源于自然界觅食的最短路径原理。根据昆虫学家的观察,蚂蚁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。

蚂蚁是怎么做到这一点的呢?

蚁群算法有自己的优化策略:正反馈的信息机制、信息素浓度的更新、蚂蚁对能够访问的路径的筛选。

蚁群算法最早用来求解TSP问题,(Travel Salesperson Problem,即旅行商问题或者称为中国邮递员问题),因为它分布式特性,鲁棒性强并且容易与其它算法结合,但是同时也存在这收敛速度慢,容易陷入局部最优(local optimal)等缺点。

1)路径构建

AS中的随机比例规则;对于每只蚂蚁k,路径记忆向量R^k.按照访问顺序记录了所有k已经经过的城市序号。

2)信息素更新

蚁群算法matlab实现


% 蚁群算法找最大值
% 核心思路: 
% 和粒子群算法有些相似,都是靠团队的力量共同去找目标!
% 蚁群算法中特殊的是它的"信息素"挥发! 这个效果是其他算法中没有的!

clc;
clear;
% f的最大值就是-前面的数值;这里是2.4
f = inline('2.4-(x.^4 + 3*y.^4 - 0.2*cos(3*pi*x) - 0.4*cos(4*pi*y) + 0.6)');
x = -1:0.001:1;
y = -1:0.001:1;
[X,Y] = meshgrid(x,y);
F = f(X,Y);
figure(1);
mesh(X,Y,F);
xlabel('横坐标x'); ylabel('纵坐标y'); zlabel('空间坐标z');
hold on;

% 坐标/搜索范围的设置:
lower_x = -1;
upper_x = 1;
lower_y = -1;
upper_y = 1; 

% 模型初始参数设置:
ant = 80;      % 蚂蚁总数300只太多了,不到100只松松解决问题
times = 30;    % 每只蚂蚁搜寻80次
rou = 0.9;     % 信息素挥发速率
p0 = 0.2;      % 蚂蚁转移的概率常数

% 初始蚂蚁位置(空间内随机)、适应度计算:
ant_x = zeros(1,ant);  % 每只蚂蚁位置的x坐标
ant_y = zeros(1,ant);  % 每只蚂蚁位置的y坐标
tau = zeros(1,ant);    % 适应度/函数数值
Macro = zeros(1,ant);  % Macro和tau共同使用的中间过渡量而已
for i=1:ant
   ant_x(i) = (upper_x-lower_x)*rand() + lower_x;
   ant_y(i) = (upper_y-lower_y)*rand() + lower_y;
   tau(i) = f(ant_x(i),ant_y(i));         % 初始适应度/函数值
   plot3(ant_x(i),ant_y(i),tau(i),'k*');  % 起始群都用黑色*标记
   hold on;
   Macro = zeros(1,ant);
end

fprintf('蚁群搜索开始(找最大值):\n');
T = 1;
tau_best = zeros(1,times);  % 记录每轮寻找后的群体中的最大值!
p = zeros(1,ant);   % 每只蚂蚁状态转移的概率,都与p0比较
while T < times
   lamda = 1/T;
   % 这里是查看极值的地方!!
   [tau_best(T),bestindex] = max(tau);
   
   % 精度足够高,提前结束!
   % 这里我有个策略: 当前适应度值 与 前两轮的值对比!而不是与上一轮值对比!
   % 因为相邻两次循环的值很可能因为有一定的相关性而彼此接近!
   if T >= 3 && abs((tau_best(T) - tau_best(T-2))) < 0.000001
       fprintf('精度足够高,提前结束!\n');
       % 小心思:最后一次画图放在这里,可以把最后一个点标成蓝色而不是红色!
       plot3(ant_x(bestindex), ant_y(bestindex), f(ant_x(bestindex),ant_y(bestindex)), 'b*');
       break;
   end
   plot3(ant_x(bestindex), ant_y(bestindex), f(ant_x(bestindex),ant_y(bestindex)), 'r*');
   hold on;
   
   for i = 1:ant
       p(i) = (tau(bestindex) - tau(i))/tau(bestindex); % 每一只蚂蚁的转移概率
   end
   % 位置更新: 新算的临时坐标tempx与tempy不一定用!
   for i = 1:ant
       % 小于p0进行局部搜索:
       if p(i) < p0
           tempx = ant_x(i) + (2*rand-1)*lamda;
           tempy = ant_y(i) + (2*rand-1)*lamda;
       % 大于p0进行全局搜索:
       else
           tempx = ant_x(i) + (upper_x-lower_x)*(rand-0.5);
           tempy = ant_y(i) + (upper_y-lower_y)*(rand-0.5);
       end
       % 不能越界,做一个越界判断:
       if tempx < lower_x
           tempx = lower_x;
       end
       if tempx > upper_x
           tempx = upper_x;
       end
       if tempy < lower_y
           tempy = lower_y;
       end
       if tempy > upper_y
           tempy = upper_y;
       end
       % 判断蚂蚁是否移动,即tempx和tempy是否采用
       % tau(i)是上一轮的值;Macro是及时更新的值!!
       if f(tempx,tempy) > tau(i)
           ant_x(i) = tempx;
           ant_y(i) = tempy;
           Macro(i) = f(tempx,tempy);
       end
   end
  
   % 适应度更新:
   for i = 1:ant
       tau(i) = (1-rou)*tau(i) + Macro(i);
   end
   
   % 搜索进入下一轮:
   T = T + 1;
end
hold off;
   
fprintf('蚁群搜索到的最大值点:(%.5f,%.5f,%.5f)\n',...
       ant_x(bestindex), ant_y(bestindex), f(ant_x(bestindex),ant_y(bestindex)));
fprintf('搜索次数:%d\n',T)

蚁群算法(AS)的缺点:

1、收敛速度慢(运行一次要等好久)

2、易于陷入局部最优

蚁群算法在解决小规模TSP问题是勉强能用,稍加时间就能发现最优解,但是若问题规模很大,蚁群算法的性能会极低,甚至卡死。所以可以进行改进,例如精英蚂蚁系统。

数据结构
算法
  • 作者:年轻的空指针(联系作者)
  • 发表时间:2022-07-10 00:53
  • 版权声明:严禁商用,转载请注明出处
  • 公众号转载:请在文末添加作者公众号二维码
  • 评论