11.2 蚁群优化算法 (1).ppt

11.2蚁群优化算法11.2.1蚁群算法的基本原理蚁群算法(AntColonyOptimization,ACO)是一种新型的优化算法，来源于模拟蚂蚁的觅食过程，该算法最早于20世纪90年代初由意大利学者DorigoM等[43]提出。在蚂蚁的寻找食物过程中会分泌信息素记录所走的路径，其它蚂蚁根据信息素的浓密程度，选择其中较短路径去寻觅食物。当路径上的蚂蚁分布越多，该路径上的信息素也越多。更多的蚂蚁会选择信息素浓度大的路径去寻觅食物。蚁群算法是一种随机的概率有哪些信誉好的足球投注网站算法，它是目前求解复杂组合优化问题较为有效的手段之一，该算法借助信息反馈机制，能够实现算法的快速进化，从而更加快速地找到最优解。蚁群算法具有自组织性、正负反馈性、鲁棒性、分布式计算等优点，该算法广泛应用于网络优化和路径寻优，是解决组合优化问题的有效算法之一。近年来，关于蚁群算法有序过研究成果[44,45]，为了提高蚁群算法的性能，许多学者提出了各种改进的蚁群算法[46,47]。

11.2.2基于TSP优化的蚁群算法仿生进化思想的发展为TSP问题提供了新的思路，这其中以蚁群算法的贡献最为显著。根据蚁群算法的生物学机理，可设计蚁群路径有哪些信誉好的足球投注网站算法，该算法的路径有哪些信誉好的足球投注网站机理为:(1)蚂蚁在所经过的路径上释放信息素；(2)如果碰到没走过的路径，就随机挑选一条路走,同时，释放与路径长度有关的信息素；(3)信息素浓度与路径长度成反比，后来的蚂蚁再次碰到该路径时，就选择信息素浓度较高路径；(4)最优路径上的信息素浓度越来越大；(5)最终蚁群找到最优寻食路径。

由式（11.1）选择路径，由式（11.2）和式（11.3）进行路径上的信息素更新，不断重复迭代，最终生成的路径构成最优路径。蚁群算法的基本流程如图11.1所示。图11.1蚁群算法的基本流程

表11.1蚁群算法参数

图11.28个城市进化代次数为100时的轨迹优化，距离L=2.8937

图11.320个城市进化代次数为300时的轨迹优化，距离L=3.3486

仿真程序：(1)主程序：chap11_1.m (2)距离计算子程序：chap11_1D.m(3)待访问的城市函数：chap11_1Nc.m(4)概率分布计算子程序：chap11_1P.m(5)当前走过的距离函数子程序：chap11_1L.m(6)信息素计算子程序：chap11_1Tol.m