《蚁群算法启示》由会员分享，可在线阅读，更多相关《蚁群算法启示（7页珍藏版）》请在金锄头文库上搜索。
1、目录一、交通系统11.1系统构建素材11.2基本概念11.3基本思想11.4过程2二、物流系统：3一、交通系统1.0前言为解决。问题，就必须对。情况实时追踪，并能够根据实时信息对。进行实时导航; 主要目的：快速、高效的找到起始点到目的点的最佳路线；研究最优路径应考虑：一、构建交通网络图；二、找到合适的最优路径算法；11系统构建素材一、构建交通网络图；二、找到最优的路径优化算法；1.2基本概念目的：获得最短路径且车流量少的。最短：根据统计得到最短的路径；车流量少：统计单位时间内经过该路径的车辆数；（可设置阀值，规定单位时间内行驶的车 辆数不超过某个值，则算法结束；否则继续寻找下个路径）1.3基本
2、思想交通中蚁群算法：（蚁群算法：正反馈性，正反馈的存在，使得搜索收敛速度加快）1. 蚂蚁选择了短分支以后，来回的频率高，因此在这个路径上的信息素也就多，诱使其余蚂 蚁选择此短分支；也就导致越来越多的蚂蚁选择这条，也就出现了最短路径；2合理路径选择的综合考量因素；3蚂蚁：在某条路径上会留下信息素以保证其余的蚂蚁选择此条路径的概率增大；人员：经过某个出口时，利用红外线可感应出人员的个人；（计算人员数，类似信息素）4同一路段上为一个蚁群，因此有多个蚁群；1.4蚁群算法在路径寻优的数学模型1.5算法在实际路网中的应用公路：抽象为路径；十字路口：抽象为结点；交通中的车辆驾驶员：蚂蚁个体；每条路 径上的车
3、辆数：该路段上的信息素值。根据路径上的信息素值计算车辆选择该路径的概率。如何到达合理路径呢？首先：用初始化信息素值来初始化交通路网中每隔结点的信息素表; 然后：按步骤进行路径选择；如何选择下个结点：根据结点的信息素表中的最大概率值来选择下个结点（更新当前路段上的信息素值）结束条件：以到达目的点的人数与最初人数的比较；（交通驾驶员）1-4过程1. 起始点；目的点；2. 起始点到目的点的所有路径；（设置路径数的上限阀值，不至于无限的绕行）4匚二一當上行駛的车牺:8-倚按索最忧路径的车轲；车辅要到达的目戏图1某悴刻的车辆行驶图3、找到最短路径。4、在最短路径上算出单位时间的车流量（设定阀值），若满足
4、，则算法结束；否则，继续 弟二步；二、物流系统21现有算法存在的问题蚁群算法：仿生类启发式智能优化算法；（蚁群优化算法ACO）并行：具有强鲁棒性（系统的健壮性）问题：1计算量大；2搜索时间长；3易陷入局部最优。由丁-蚁嘩就化算法是模拟蚂蚁觅食的习性.采用的是分布式并行计算机制， 具有较强的鲁棒性并易与其他方法结合的特点，但也和其他进化算法一样存在计 尊量大“搜索时间长、易陷入局部最优的突出缺陷，针对算法的固有缺陷，后第2.2改进算法通过以上存在的问题而进行的改进（具体如下图）问题2解决：并行机制、正反馈机制（引入局部更新规则增强正反馈作用加快搜索速度, 在全局更新中增加本轮最优路径上信息浓度）
5、问题3解决：引入动态平滑信息素轨迹机制增大低信息轨迹被选择的概率，增强算法的 搜索能力；在物流系统优化芮类难视中，提出用蚁群算法来求解配送中心选址的实际问 题，针对该类组合优化问逼，说计了一个改进算法，充分利用蚁群算法的并行机 制和正反馈机制，引入局部更新规则增强正反馈柞用，加扶捜索速度，在全局更 新中增抑本轮绘优路径上信息浓度，并在迭代后期引入动态平滑信息素轨迹机 制F增大那些低信息轨迹被选择的概率，坍强算法的搜索能力，連过对实例问题 的求解，验证了改进算法的有效性，找到了最优解组合针对第二类问题的TSP2.3新型思想分组蚁群算法：奖罚机制利用蚂蚁减的合作、组内蚂蚁相遇合作思想；采用全局和局
6、部更新规则，引入奖罚机制对信 息素更新；作用：避免算法停滞而陷入局部最优、加快搜索速度、最优解、取得算法时间和优化性能之 间的平衡。模型实质和蚁群算法在解决该类问题中的固有不足，本文提出了一种具有奖罚机 制的分组蚁群算法即对蚂蚁进行分组，利用蚂蚁组之间合作和组内蚂蚁相遇合 作思想，采用全局与局部更新规则和改进MMAS第略，并引入奖罚机制対信息 素进行更新。仿真实验数据表明改进后的算法避免了算法停滞而陷入局部最优的 现象，加快了搜索速度，找到的解也较优，取得了算法吋间和优化性能之间的乎 衡，提高了算法的性能。2.4蚁群算法的特征1. 正反馈使其很快搜索到比较好的解。2. 分布计算避免了算法陷入局
7、部收敛而不能够继续优化。3. 结构性的贪心启发机制使得它在寻优的早期阶段就可搜索到可接受的解。蚁群算法从其实现的机理來看是一种天然的解决组合优化问题的方法.其 主要的特征是正反馈、分布计算以及结构性的贪心启发机制。正反馈使得它能 很快搜索到比较好的解；分布计算避免了算法陷入局部收敛而不能继续优化； 而贪心启发机制使它能在寻优的早期阶段就搜索到可接受的解这些特征使得 蚁群算法成为解决NP-完全组合优化问题的有力工具,务实践中，存在许多优化决笫问题（如选址问題、运输路线S运行距离.配送时 间、运输费用等人 正由于配送在物流系统中的重要性，如何提高配送效率的 同时尽虽降低总成本是配送管理者经常需要决策的重要课题，它涉及许多约束 条件与影軻因数用叽归纳起來主要有两犬类问题，也是难题：
