《蚁群算法》 (2).ppt

该【《蚁群算法》 (2) 】是由【相惜】上传分享，文档一共【77】页，该文档可以免费在线阅读，需要了解更多关于【《蚁群算法》 (2) 】的内容，可以使用淘豆网的站内搜索功能，选择自己适合的文档，以下文字是截取该文章内的部分文字，如需要获得完整电子版，请下载此文档到您的设备，方便您编辑和打印。,人们从生物进化的机理中受到启发。提出了许多用以解决复杂优化问题的新方法,如进化规划、进化策略、遗传算法等。,,,通过模拟自然界蚂蚁搜索路径的行为,提出来一种新型的模拟进化算法——蚁群算法。该方法求解TSP问题、分配问题、job-shop调度问题,,但是现在的研究显示出,蚁群算法在求解复杂优化问题〔特别是离散优化问题〕方面有一定优势。。目前其应用领域已扩展到多目标优化、数据分类、数据聚类、模式识别、电信QoS管理、生物系统建模、流程规划、信号处理、机器人控制、决策支持以及仿真和系统辩识等方面,群智能理论和方法为解决这类应用问题提供了新的途径。:蚁群算法(AntColonyOptimization,ACO)对蚂蚁群落食物采集过程的模拟,已成功应用于许多离散优化问题。粒子群算法〔ParticleSwarmOptimization,PSO〕起源于对简单社会系统的模拟,最初是模拟鸟群觅食的过程,但后来发现它是一种很好的优化工具。,群智能依靠的是概率搜索算法。虽然概率搜索算法通常要采用较多的评价函数,其优点主要表现在:无集中控制约束,不会因个别个体的故障影响整个问题的求解,确保了系统具备更强的鲁棒性以非直接的信息交流方式确保了系统的扩展性并行分布式算法模型,,算法中仅涉及各种根本的数学操作,其数据处理过程对CPU和内存的要求也不高。而且,这种方法只需目标函数的输出值,而无需其梯度信息。已完成的群智能理论和应用方法研究证明群智能方法是一种能够有效解决大多数全局优化问题的新方法。更为重要是,群智能潜在的并行性和分布式特点为处理大量的以数据库形式存在的数据提供了技术保证。无论是从理论研究还是应用研究的角度分析,群智能理论及其应用研究都是具有重要学术意义和现实价值的。,研究者已尝试着将其用于各种工程优化问题,并取得了意想不到的收获。多种研究说明,群智能在离散求解空间和连续求解空间中均表现出良好的搜索效果,并在组合优化问题中表现突出。蚁群优化算法并不是旅行商问题的最正确解决方法,但是它却为解决组合优化问题提供了新思路,并很快被应用到其它组合优化问题中。比较典型的应用研究包括:。HP公司和英国电信公司在90年代中后期都开展了这方面的研究,设计了蚁群路由算法〔AntColonyRouting,ACR〕。每只蚂蚁就像蚁群优化算法中一样,根据它在网络上的经验与性能,动态更新路由表项。如果一只蚂蚁因为经过了网络中堵塞的路由而导致了比较大的延迟,那么就对该表项做较大的增强。同时根据信息素挥发机制实现系统的信息更新,从而抛弃过期的路由信息。这样,在当前最优路由出现拥堵现象时,ACR算法就能迅速的搜寻另一条可替代的最优路径,从而提高网络的均衡性、负荷量和利用率。目前这方面的应用研究仍在升温,因为通信网络的分布式信息结构、非稳定随机动态特性以及网络状态的异步演化与ACO的算法本质和特性非常相似。10编辑课件