自适应蚁群算法及其应用.doc

粒子群算法及其参数设置摘 要本文对标准蚁群算法、MMAS蚁群算法、自适应蚁群算法做了较详细系统的总结,其中主要讨论了自适应蚁群算法在DNA序列比对中的应用,主要的过程是:首先,我们设一个计分函数和一个得分策略,在任意给出一对DNA序列,建立一个序列比对矩阵。现由4只蚂蚁从左上角向右下角移动,并且最终到达右下角,那么这4只蚂蚁随意走出4条路径,根据4条路径得出4对等长的比对,再依照计分函数分别计算出4条路径的比对得分,,取其中得分最高(即最优路径)路径;进行第二次信息素增量的调整,方法是根据蚂蚁所走过的方向和该方向上得分比例计算出来的,信息素的变化量利用矩阵来存储,那么下一次蚂蚁所选的路径就要根据以前在各条路径上的信息素浓度总和的大小选择移动方向,最终经过有限次迭代,蚂蚁就会找到一条最优路径,也就是一条与原来DNA最相似的DNA链。关键词:标准蚁群算法,MMAS算法,自适应蚁群算法,              (Max-MinAntSystem)蚁群算法        、最坏路径信息素全局更新策略                          ,,,,经过大量的观察和实验发现,蚂蚁在觅食过程中留下了一种外激素,又叫信息激素,它是蚂蚁分泌的一种化学物质,蚂蚁在寻找食物的时候会在经过的路上留下这种物质,以便在回巢时不至于迷路,而且方便找到回巢的最好路径。由此,,又叫蚁群系统(AntColonySystem),这种算法是目前国内外启发式算法中的研究热点和前沿课题,被成功地运用于旅行商问题的求解,蚁群算法在求解复杂优化问题方面具有很大的优越性和广阔的前景。但是,根据观察实验发现,蚁群中的多个蚂蚁的运动是随机的,在扩散范围较大时,在较短时间内很难找出一条较好的路径,在算法实现的过程中容易出现停滞现象和收敛速度慢现象。在这种弊端的情况下,学者们提出了一种自适应蚁群算法,通过自适应地调整运行过程中的挥发因子来改变路径中信息素浓度,从而有效地克服传统蚁群算法中容易陷入局部最优解和收敛速度慢的现象。蚁群算法的主要特点是:正反馈、分布式计算,与某种启发式算法相结合,正反馈过程使得该方法能很快发现较好解;分布式易于并行实现,与启发式算法相结合,使得该方法易于发现较好解。初步的研究表明,蚁群算法是一种基于种群的鲁棒性较强的算法,具有许多优良的性质,为求解复杂的组合优化问题提供了一种新思路。,不断地在经过的路径上释放信息激素以便和其他的蚂蚁进行联系,这种信息激素的浓度随着经过该路径的蚂蚁数量而增大,而蚂蚁在回巢或觅食时也会选择信息激素浓度较大的路径,这就会有更多的蚂蚁选择此路径,这就是一种正反馈现象。也就是说某一路径上经过的蚂蚁越多,则后来者选择该路径的概率就越大。人工蚁群算法是受到人们对自然界中真实的蚁群集体行为的研究成果的启发而提的,是一种基于种群的模拟进化算法,属于随机搜索算法。,充分利用了蚁群搜索食物的过程与著名的旅行商问题(TSP)之间的相似性,通过人工模拟蚂蚁搜索食物的过程(通过个体之间的信息交流与相互协作最终找到从蚁穴到食物源的最短路径)来求解TSP。为了区别于真实蚂蚁群体系统,称这种算法为“人工蚁群算法”,蚂蚁这类群居昆虫,虽然单个蚂蚁的行为极简单。但由这样的单个简单的个体所组成的蚁群群体却表现出极其复杂的行为,能够完成复杂的任务,而且,蚂蚁还能够适应环境的变化,如:在蚁群运动路线上突然出现障碍物时,蚂蚁能够很快地重新找到最优路径。蚁群是如何完成这些复杂的任务的呢?经过人们大量研究发现,蚂蚁个体之间是通过一种称之为外激素(pheromone)的物质进行信息传递从而