蚁群算法优缺点

《智能计算—蚁群算法基本综述》

班级： 研1102班 专业： 计 算 数 学 姓名： 刘 鑫 学号： 1107010036

2012年

蚁群算法基本综述

刘 鑫

（西安理工大学理学院，研1102班，西安市，710054）

摘 要:蚁群算法( ACA)是一种广泛应用于优化领域的仿生进化算法。ACA发展背景着手，分析比较国内外ACA研究团队与发展情况立足于基本原理,分析其数学模型,介绍了六种经典的改进模型，对其优缺点进行分析，简要总结其应用领域并对其今后的发展、应用做 出展望。 关键词: 蚁群；算法；优化；改进；应用 0 引言

专家发现单个蚂蚁只具有一些简单的行为能力。但整个蚁群却能完成一系列复杂的任务。这种现象是通过高度组织协调完成的1991年。意大利学者M.Dorigo首次提出一种新型仿生算法ACA。研究了蚂蚁的行为。提出其基本原理及数学模型。并将之应用于寻求旅行商问题(TSP)的解。

通过实验及相关理论证明,ACA有着有着优化的选择机制的本质。而这种适应和协作机制使之具有良好的发现能力及其它算法所没

%{

[代码说明]

蚁群算法解决VRP问题

[算法说明]

首先实现一个ant蚂蚁类，用此蚂蚁类实现搜索。

算法按照tsp问题去解决，但是在最后计算路径的时候有区别。

比如有10个城市,城市1是配送站，蚂蚁搜索的得到的路径是1,3,5,9,4,10,2,6,8,7。

计算路径的时候把城市依次放入派送线路中,

每放入一个城市前，检查该城市放入后是否会超过车辆最大载重 如果没有超过就放入

如果超过，就重新开始一条派送路线 ……

直到最后一个城市放完 就会得到多条派送路线

这样处理比较简单可以把vrp问题转为tsp问题求解 但是实际效果还需要验证。

[作者]

Wugsh@2011.12.16

wuguangsheng@hisense.com guangsheng.wu@163.com %}

%清除所有变量和类的定义 clear;

clear classes;

%蚁群算法参数(全局变量) global ALPHA; %启发因子 global BETA; %期望因子

global ANT_COUNT; %蚂蚁数量 global CITY_COUNT; %城市数量 global RHO; %信息素残留系数!!! global IT_C

北京工业大学

硕士学位论文

蚁群算法及其应用研究

姓名：黄振

申请学位级别：硕士

专业：计算机软件与理论

指导教师：冀俊忠

20080401

！！！！！！！！！！！！！！！！！！！！！！！！！！！！！，！， ＿Ｉ—，＿■Ｉ—－—Ｉ ———＿Ｉ—ｍ摘要

ｍ＿—＿ －—Ｉ————ｌ＿——一

摘要

生物学家研究发现自然界的蚂蚁个体可以分泌一种称为“信息素＂的化学物质，蚂蚁群体通过“信息素”进行间接的通讯、协作来寻找从巢穴到食物的最短路径。受其启发，意大利学者Ｄｏｒｉｇｏ等对蚂蚁的觅食行为进行仿真研究，提出了蚁群算法。在随后的十多年时间里，蚁群算法已经在组合优化、网络路由、函数优化、数据挖掘、机器人路径规划等领域获得广泛的应用，显示出蚁群算法在求解复杂问题方面的优越性，有广阔的发展前景。

然而，蚁群算法仍然存在一些缺陷：如算法的收敛速度较慢，易陷入停滞等。本文围绕蚁群优化的原理及应用，就如何改进基本蚁群算法以及蚁群算法在旅行商问题ＴＳＰ（Ｔｒａｖｅｌｉｎｇ

ＫｎａｐｓａｃｋＳａｌｅｓｍａｎＰｒｏｂｌｅｍ）、多维背包问题ＭＫＰ（ＭｕｌｔｉｄｉｍｅｎｓｉｏｎａｌＰｒｏｂｌｅｍ）ｑｂ的应用进行了研究，并基于标准的数据集对一些已有算法和提出的算法进行了效率和精度的比较和分析。

首先，提

先新建一个主程序M文件ACATSP.m 代码如下:

function [R_best,L_best,L_ave,Shortest_Route,Shortest_Length]=ACATSP(C,NC_max,m,Alpha,Beta,Rho,Q)

%%================================================================ =========

%% 主要符号说明

%% C n个城市的坐标，n×2的矩阵

%% NC_max 蚁群算法MATLAB程序最大迭代次数

%% m 蚂蚁个数

%% Alpha 表征信息素重要程度的参数

%% Beta 表征启发式因子重要程度的参数

%% Rho 信息素蒸发系数

%% Q 表示蚁群算法MATLAB程序信息素增加强度系数

%% R_best 各代最佳路线

%% L_best 各代最佳路线的长度

%%================================================================ =========

%% 蚁群算法MATLAB程序第一步：变量初始化

n=size(C,1);%n表示问题的规模（城市个数）

D=zeros(

Lecture 1 Introduction to Supervised Learning

（1）Expectatin Maximization(EM) Algorithm (期望值最大) （2）Linear Regression Algorithm(线性回归) （3）Local Weighted Regression(局部加权回归)

（4）k-Nearest Neighbor Algorithm for Regression(回归k近邻) （5）Linear Classifier(线性分类)

（6）Perceptron Algorithm (线性分类)

（7）Fisher Discriminant Analysis or Linear Discriminant Analysis(LDA) （8）k-NN Algorithm for Classifier(分类k近邻) （9）Bayesian Decision Method(贝叶斯决策方法)

Lecture 2 Feed-forward Neural Networks and BP Algorithm

（1）Multilayer Perceptron(多层感知器) （2）BP Algor

蚁群算法的理论及其应用

维普资讯

计算机时代 2 0 0 4年第 6期

蚁群算法的理论及其应用姜长元

(南京师范大学数学与计算机科学学院,江苏南京 200) 109摘要:本文介绍了一种崭新的求解复杂优化问题的启发式算法一蚁群算法.该方法通过模拟蚁群搜索食物的过程,达

到求解此类问题的目的,它具有智能搜索,全局优化,稳健性强,分布式计算,易与其它方法结合等优点.该算法用于解决组合优化问题, T P Q P JP效果较好如 S, A,S等

关键词:蚁群算法;模拟进化算法;组合优化;旅行商问题

1引言研究群居性昆虫行为的科学家发现,昆虫在群落一级上的合作基本上是自组织的,在许多场合中尽管这些合作可能很简

蚂蚁还能够适应环境的变化,例如在蚁群的运动路线上突然出现障碍物时,它们能够很快地重新找到最优路径 .人们通过大量的研究发现,蚂蚁个体之间是通过在其所经过的路上留下一

信息素"( e m n) p r o e的物质来进行信息传递的 . ho 单,但它们却可以解决许多复杂的问题蚁群算法就是利用群种可称之为"随后的蚂蚁遇到信息素时,不仅能检测出该物质的存在以及量集智能解决组合优化题的典型例子蚁群算法 ( n C ln At o y o的多少,而且可根据信息素的浓度来指

%%蚁群算法商旅问题matlab程序 %%导入数据(城市的坐标)

citys=[1304 2312;3639 1315;4177 2244;3712 1399;3488 1535;3326 1229;4196 1004;4312 790;4386 570;3007 1970;2562 1756;2788 1676;1332 695;3715 1678;3918 2179;4061 2370;3780 2212;3676 2838;4263 2931;3429 1908;3507 2367;3394 2643;3439 3201;2935 3550;2545 2357;2778 2826;2370 2975];

%%计算城市之间相互距离 n=size(citys,1); D=zeros(n,n); for i=1:n for j=1:n if i~=j

D(i,j)=sqrt(sum((citys(i,:)-citys(j,:)).^2)); else

D(i,j)=1e-4; end end end

%%初始化参数 m=

第２５卷第８期

２００８年８月

计算机应用与软件

ＣｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎｓａｎｄＳｏｆｔｗａｒｅ

Ｖ０１．２５Ｎｏ．８Ａｕｇ．２００８

蚁群算法及其应用研究进展

倪庆剑

摘要

邢汉承张志政王蓁蓁

（东南大学计算机科学与工程学院江苏南京２ｌ００９６）

蚁群算法作为一种仿生进化算法，是受到真实蚁群觅食机制的启发而提出的。首先介绍了蚁群算法的基本原理和工作

机制，然后分别就蚁群算法的理论和应用的研究现状进行了综述，主要包括蚁群算法的参数设置，蚁群算法的改进，蚁群算法的收敛性以及蚁群算法在组合优化问题和连续优化问题中的应用，并进一步给出了它们的研究重点和发展方向，最后是关于蚁群算法的研究展望和面临的挑战，提出了蚁群算法研究中值得探讨的一些课题。关键词

群智能方法蚁群算法优化问题

ＡＮＴＣＯＬＯＮＹ

ＡＬＧＯＲＩＴＨＭ

Ｎｉ

ＡＮＤＩＴＳ

ＡＰＰＬＩＣＡＴＩｏＮＳ：ＲＥＶＩＥＷ

ＺｈａｎｇＺｈｉｚｈｅｎｇ

ＡＮＤＰＲｏＧＲＥＳＳ

ＸｉｎｇＨａｎｃｈｅｎｇ

（＆＿Ｉｌｏｏｆ旷ｃｏ唧姚ｒｓ啦，ｍ

Ｔｈｅ朋ｔｃｏｌｏｎｙａｌｇｏ而ｔｈｍｉｓ

Ｑｉｎｄｉａｎ

ｎ，ｌｄ西讲ｎ唧ｉ，ｌｇ，ＳＤ以ｋ删№妙．№彬增２ＪＤＤ粥，，缸７咿Ⅱ，仇ｉ尬）

ｐｒｏｂｌｅ衄，ｗｈｉｃｈ

ｉｓ

ＷａｎｇＺｈｅｎｚｈｅｎ

基于改进蚁群算法的网格资源调度

2009年4月

第32卷增刊

北京邮电大学学报

JournalofBeijingUniversityofPostsandTelecommunications

Apr.2009Vol.32Sup.

　　文章编号:100725321(2009)增20111204

基于改进蚁群算法的网格资源调度

黄文明,　兰　静,　张　阳

(桂林电子科技大学计算机与控制学院,桂林541004)

摘要:针对网格资源的分布式共享,提出了一种改进的蚁群算法,并用于网格资源调度中.在算法中引入了资源节点的可信度,并作为蚂蚁残留的信息素评估要素之一,通过对可信度的评估,在一定程度上增强了蚁群算法的搜索能力和网格资源的可靠性.在算法中设计了局部和全局信息素更新机制,.通过选取适当的参数,利用GridSim.实验结果证明,,,改善了网格系统的性能.

关　键　词:网格资源调度;;中图分类号:TP393:RonGridResourceSchedulingBasedon

ImprovedAntColonyAlgorithm

HUANGWen2ming,　LANJing,　ZHANGYang

(SchoolofComputerandControl,GuilinUniversityo

1 C++基本蚁群算法代码 #include #include #include #include using namespace std; const int iAntCount=34;//ant numbers const int iCityCount=51; const int iItCount=2000; const double Q=100; const double alpha=1; const double beta=5; const double rou=0.5; int besttour[iCityCount]; double rnd(int low,double uper) { double p=(rand()/(double)RAND_MAX)*((uper)-(low))+(low); return (p); }; int rnd(int uper) { return (rand()%uper); }; class GInfo { public: double m_dDeltTrial[iCityCount][iCityCount