蚁群算法详解
没有中心化的组织,蚁群何以进行高效地搜寻呢?一个快递小哥有5个包裹要送,如何确定一条最短的行进路线?
本文我们一起学下常用于路径优化的蚁群算法,主要内容如下:
- 蚁群算法简介
- 蚁群算法原理
- 蚁群算法实例
1.蚁群算法简介
如何寻找一条合适的路径,几乎是一个永恒的话题。每个人、每天都会遇到。大到全国列车的运行规划,小到每个人的手机导航。其中一部分是关于“如何寻找两个位置间的最短距离”的,这一部分有较为成熟的理论与确切的解法,还有与之匹配的各种算法。
蚁群系统(Ant System(AS)
或Ant Colony System(ACS)
)是由意大利学者Dorigo
、Maniezzo
等人于20
世纪90
年代首先提出来的。他们在研究蚂蚁觅食的过程中,发现蚁群整体会体现一些智能的行为,例如蚁群可以在不同的环境下,寻找最短到达食物源的路径。
后经进一步研究发现,这是因为蚂蚁会在其经过的路径上释放一种可以称之为“信息素(pheromone
)”的物质,蚁群内的蚂蚁对“信息素”具有感知能力,它们会沿着“信息素”浓度较高路径行走,而每只路过的蚂蚁都会在路上留下“信息素”,这就形成一种类似正反馈的机制,这样经过一段时间后,整个蚁群就会沿着最短路径到达食物源了。
由上述蚂蚁找食物模式演变来的算法,即是蚁群算法。这种算法具有分布计算、信息正反馈和启发式搜索的特征,本质上是进化算法中的一种启发式全局优化算法。在数字时代背景下,蚁群算法在网络路由中的应用受到越来越多学者的关注,并提出了一些新的基于蚂蚁算法的路由算法。
同传统的路由算法相比较,该算法在网络路由中具有信息分布式性、动态性、随机性和异步性等特点,而这些特点正好能满足网络路由的需要。
2.蚁群算法原理
蚁群算法是从自然界中真实蚂蚁觅食的群体行为得到启发而提出的,其很多观点都来源于真实蚁群,因此算法中所定义的人工蚂蚁与真实蚂蚁存在一定的辩证关系。
自组织行为特征
蚁群的自组织行为特征主要有:
- 高度结构化的组织 虽然蚂蚁的个体行为极其简单,但由个体组成的蚁群却构成高度结构化的社会组织,蚂蚁社会的成员有分工,有相互的通信和信息传递。
- 自然优化 蚁群在觅食过程中,在没有任何提示下总能找到从蚁巢到食物源之间的最短路径;当经过的路线上出现障碍物时,还能迅速找到新的最优路径。
- 信息正反馈 蚂蚁在寻找食物时,在其经过的路径上释放信息素(外激素)。蚂蚁基本没有视觉,但能在小范围内察觉同类散发的信息素的轨迹,由此来决定何去何从,并倾向于朝着信息素强度高的方向移动。
- 自催化行为 某条路径上走过的蚂蚁越多,留下的信息素也越多(随时间蒸发一部分),后来蚂蚁选择该路径的概率也越高。
算法基本思想
- 根据具体问题设置多只蚂蚁,分头并行搜索。
- 每只蚂蚁完成一次周游后,在行进的路上释放信息素,信息素量与解的质量成正比。
- 蚂蚁路径的选择根据信息素强度大小(初始信息素量设为相等),同时考虑两点之间的距离,采用随机的局部搜索策略。这使得距离较短的边,其上的信息素量较大,后来的蚂蚁选择该边的概率也较大。
- 每只蚂蚁只能走合法路线(经过每个城市
1
次且仅1
次),为此设置禁忌表来控制。 - 所有蚂蚁都搜索完一次就是迭代一次,每迭代一次就对所有的边做一次信息素更新,原来的蚂蚁死掉,新的蚂蚁进行新一轮搜索。
- 更新信息素包括原有信息素的蒸发和经过的路径上信息素的增加。
- 达到预定的迭代步数,或出现停滞现象(所有蚂蚁都选择同样的路径,解不再变化),则算法结束,以当前最优解作为问题的最优解。
了解了基本思想,我们来关注几个必须得知道的问题:上述第2
步中,蚂蚁完成一次周游后各路径上的信息素怎么计算?计算公式如下:
其中,
为边
上的信息素量,刚开始时
,
为本次迭代边
上的信息素增量,
为第k
只蚂蚁在本次迭代中留在边
上的信息素量,
为信息素挥发系数。Q
是正常数,m
是蚂蚁数量,n
是城市数量,
为蚂蚁k
在本次周游中所走路径的长度。
第三步中蚂蚁的转移概率计算公式如下:
其中
为信息素的相对重要程度,
为启发式因子的相对重要程度,而
是蚂蚁k下一步允许选择的城市集合。
为启发式因子,反应蚂蚁由城市i转移到城市j的启发程度,
为城市
之间的距离。
算法步骤
我们了解了信息素计算公式和蚂蚁的转移概率之后,看下具体流程图如下:
- 初始化参数:开始时,每条边的信息素量都相等,即:
,
.
- 将各只蚂蚁放置各顶点,禁忌表为对应的顶点。
- 取
1
只蚂蚁,计算转移概率
,按照轮盘赌的方式选择下一个顶点,更新禁忌表,再计算概率,再选择顶点,再更新禁忌表,直至遍历所有顶点一次。
- 计算该只蚂蚁留在各边的信息素量
,该蚂蚁死去。
- 重复
3-4
步,直至m
只蚂蚁都周游完毕。 - 计算各边的信息素增量
和信息素量
。
- 计算本次迭代的路径,更新当前的最优路径,清空禁忌表。
- 判断是否达到预定的迭代步数,或者是否出现停滞现象,若是则算法结束,输出当前最优路径,否则转到步骤2,进行下一次迭代。
算法特点
与其他优化算法相比,蚁群算法具有以下几个特点:
- 采用正反馈机制,使得搜索过程不断收敛,最终逼近最优解。
- 每个个体可以通过释放信息素来改变周围的环境,且每个个体能够感知周围环境的实时变化,个体间通过环境进行间接地通讯。
- 搜索过程采用分布式计算方式,多个个体同时进行并行计算,大大提高了算法的计算能力和运行效率。
- 启发式的概率搜索方式不容易陷入局部最优,易于寻找到全局最优解。
3.蚁群算法实例
该算法应用于其他组合优化问题,如旅行商问题、指派问题、Job—shop
调度问题、车辆路由问题、图着色问题和网络路由问题等。
知道了上面的算法原理,我们来看下开头的那个问题,一个快递小哥有5
个包裹要送,如何确定一条最短的行进路线?
假设由于某种原因,城市道路均是单行道,即A->B
和B->A
的距离不相同,也就是说这是一个不对称的TSP
问题。现在城市距离信息如下表:
设置参数:
,
为禁忌表,那么第一次迭代第一只蚂蚁周游如下:
第一次迭代第二只蚂蚁周游如下:
依次类推,第一次迭代完成之后,我们得到信息素矩阵如下:
接着进行第二次迭代,第二次迭代第一只蚂蚁周游如下:
依次类推,发现第二次迭代的时候,假如五只蚂蚁走的是同一条路,那么算法收敛结束。最优路径为A->E->D->C->B->A
,最优路径的距离为9
.
至此,我们从蚁群算法的简介,原理以及实例方面对蚁群算法进行了详细的阐述,希望对大家有所帮助。
♥点个赞再走呗♥
- 华中农业大学第五届程序设计大赛网络同步赛题解
- Java构造方法与析构方法实例剖析
- 5.训练模型之利用训练的模型识别物体
- KMP算法学习(详解)
- 查找算法的实现(C/C++实现)
- HDU 1495 非常可乐(数论,BFS)
- Selenium2+python自动化74-jquery定位
- 用php实现简单的自制计算器
- Selenium2+python自动化75-Chrome配置加载
- Selenium2+python自动化75-非input文件上传(SendKeys)
- python接口自动化11-post传data参数案例
- POJ 1321 棋盘问题(DFS板子题,简单搜索练习)
- python接口自动化12-案例分析(csrfToken)
- Python基础学习笔记
- JavaScript 教程
- JavaScript 编辑工具
- JavaScript 与HTML
- JavaScript 与Java
- JavaScript 数据结构
- JavaScript 基本数据类型
- JavaScript 特殊数据类型
- JavaScript 运算符
- JavaScript typeof 运算符
- JavaScript 表达式
- JavaScript 类型转换
- JavaScript 基本语法
- JavaScript 注释
- Javascript 基本处理流程
- Javascript 选择结构
- Javascript if 语句
- Javascript if 语句的嵌套
- Javascript switch 语句
- Javascript 循环结构
- Javascript 循环结构实例
- Javascript 跳转语句
- Javascript 控制语句总结
- Javascript 函数介绍
- Javascript 函数的定义
- Javascript 函数调用
- Javascript 几种特殊的函数
- JavaScript 内置函数简介
- Javascript eval() 函数
- Javascript isFinite() 函数
- Javascript isNaN() 函数
- parseInt() 与 parseFloat()
- escape() 与 unescape()
- Javascript 字符串介绍
- Javascript length属性
- javascript 字符串函数
- Javascript 日期对象简介
- Javascript 日期对象用途
- Date 对象属性和方法
- Javascript 数组是什么
- Javascript 创建数组
- Javascript 数组赋值与取值
- Javascript 数组属性和方法
- 为何总给外卖打差评?我们来数据分析一下!
- 解决Linux html生成图片中文乱码
- 前端必知必会-BFC案例剖析
- 分析Guava并发工具类Futures
- kafka高可用集群搭建
- ELK7.x日志系统搭建 4. 结合kafka集群完成日志系统
- ELK7.x日志系统搭建 3. 采用轻量级日志收集Filebeat
- ELK7.x日志系统搭建 2. Nginx、Cluster等日志收集
- Java8 Stream
- 性能测试必备知识(4)- 使用 stress 和 sysstat 分析平均负载过高的场景
- 高并发利器-guava分流与缓存
- 树莓派3b+组装+烧录retropie系统
- 使用Azure DevOps Pipeline实现.Net Core程序的CI
- 带你遨游USB世界
- C# 泛型中的数据类型判定与转换