遗传及蚁群算法

一 引言

蚁群算法(ant colony optimization,ACO),又称蚂蚁算法,是一种用来在图中寻找优化路径的机率型技术。它由Marco Dorigo于1992年在他的博士论文中引入,其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。蚁群算法是一种模拟进化算法。初步的研究表明该算法具有许多优良的性质。针对PID控制器参数优化设计问题,将蚁群算法设计的结果与遗传算法设计的结果进行了比较,数值仿真结果表明,蚁群算法具有一种新的模拟进化优化方法的有效性和应用价值。蚁群算法是一种求解组合最优化问题的新型通用启发式方法,该方法具有正反馈、分布式计算和富于建设性的贪婪启发式搜索的特点。正因为蚁群算法有这些优点,很多研究者都在致力研究和改过它,本文的目的正是为了介绍蚁群算法,学习如何编写蚁群算法。



二 蚁群算法的介绍

昆虫世界中,蚂蚁的组成是一种群居的世袭大家庭,我们称之为蚁群。蚂蚁分为世袭制的蚁王(后)和工蚁两种,它们具有高度组织的社会性,彼此沟通不仅可以借助触觉和视觉的联系,在大规模的协调行动中还可以借助外激素(有些书称信息素)之类的信息介质。

首先我们要理解蚂蚁是如何觅食的,蚂蚁平时在巢穴附近作无规则行走,一量发现食物并不立即进食而是将之搬回蚁穴与其它蚂蚁分享,在食物小时则独自搬回蚁穴,否则就回蚁穴搬兵,一路上会留下外激素,食物越大外激素的浓度就越大,越能吸引其它的蚂蚁过去一起搬去食物,这样最终就能将食物全部搬回蚁穴。这个过程用程序实现看似非常复杂,要编写一个“智能”的蚂蚁也看似不太可能,事实上每个蚂蚁只做了非常简单的工作:检查某个范围内有无食物,并逐渐向外激素浓的方向运动。简而言之,蚁群运动无非是同时反复执行多个简单规则而已。下面详细说明蚁群中的这些简单规则:

1、范围:蚂蚁观察到的范围是一个方格世界,蚂蚁有一个参数为速度半径(一般是3),那么它能观察到的范围就是3*3个方格世界,并且能移动的距离也在这个范围之内。

2、环境:蚂蚁所在的环境是一个虚拟的世界,其中有障碍物,有别的蚂蚁,还有外激素,外激素有两种,一种是找到食物的蚂蚁洒下的食物外激素,一种是找到窝的蚂蚁洒下的窝的外激素。每个蚂蚁都仅仅能感知它范围内的环境信息。环境以一定的速率让外激素消失。

3、觅食规则:在每只蚂蚁能感知的范围内寻找是否有食物,如果有就直接过去。否则看是否有外激素,并且比较在能感知的范围内哪一点的外激素最多,这样,它就朝外激素多的地方走,并且每只蚂蚁多会以小概率犯错误,从而并不是往外激素最多的点移动。蚂蚁找窝的规则和上面一样,只不过它对窝的外激素做出反应,而对食物外激素没反应。

4、移动规则: 每只蚂蚁都朝向外激素最多的方向移,并且,当周围没有外激素指引的时候,蚂蚁会按照自己原来运动的方向惯性的运动下去,并且,在运动的方向有一个随机的小的扰动。为了防止蚂蚁原地转圈,它会记住最近刚走过了哪些点,如果发现要走的下一点已经在最近走过了,它就会尽量避开。

5、避障规则:如果蚂蚁要移动的方向有障碍物挡住,它会随机的选择另一个方向,并且有外激素指引的话,它会按照觅食的规则行为。

7、播撒外激素规则:每只蚂蚁在刚找到食物或者窝的时候撒发的外激素最多,并随着它走远的距离,播撒的外激素越来越少。

根据这几条规则,蚂蚁之间并没有直接的关系,但是每只蚂蚁都和环境发生交互,而通过外激素这个纽带,实际上把各个蚂蚁之间关联起来了。比如,当一只蚂蚁找到了食物,它并没有直接告诉其它蚂蚁这儿有食物,而是向环境播撒外激素,当其它的蚂蚁经过它附近的时候,就会感觉到外激素的存在,进而根据外激素的指引找到了食物。成功的觅食算法正是最小化搜索食物的时间。



三 蚁群算法的实现

理解蚁群算法的实质之后写出一个简单蚁群算法也不是太困难,关键是实现以上介绍的几个规则,下面用JAVA简单讲述一下以上规则的实现。

1、蚂蚁:蚂蚁是蚁群中最小的单位,是所以简单规则应用的最小个体。



public class Ant
{
public Square SQUARE; //蚂蚁所在方格
public Food CARRYING = null; //所搬的食物数
public int ID; //蚂蚁的编号
public boolean HELPING = false; //是否帮忙搬运食物

public void move(int turn)
{
//蚂蚁移动到下一个方格
}
}



2、范围:蚂蚁所在的方格应该包含附近的方格编号,所含食物数量,蚂蚁数量,外激素的浓度,以及坐标等信息。



public class Square
{ public Square NE; //附近的8个方向的方格

public Square N;
public Square NW;
public Square W;
public Square SW;
public Square S;
public Square SE;
public Square E;
public LinkedList ANTS; //本方格中包含的蚂蚁
public Food FOOD; //本方格中包含的食物数
public Nest NEST; //方格为蚁穴
public Pheromone_1 PHEROMONE_1; //本方格中的外激素含量
public int X; //本方格的坐标
public int Y;
private World WORLD; //所属的环境
public boolean WALL; //是否有障碍物

public Square(int x, int y, World world)
{
FOOD = null;
NEST = null;
PHEROMONE_1 = null;
X = x;
Y = y;
WORLD = world;
WALL = false;
ANTS = new LinkedList();
}



3、环境:环境是由多个方格组成的,是一个平面的,因此用一个方格的二维数组来表示是最合适不过的。

public class World
{
private Square[][] WORLD; //定义环境二维数组
private int WIDTH; //环境的长宽
private int HEIGHT;
private Pheromone_1List P1LIST; //保存所有外激素的列表

public World(Pheromone_1List p1list)
{
this.WIDTH = Settings.WIDTH;
this.HEIGHT = Settings.HEIGHT;
this.P1LIST = p1list;
WORLD = new Square[WIDTH][HEIGHT];
}


4、觅食规则,移动规则和避障规则:这三种规则全都跟蚂蚁的移动方向有关,并在移动前都要先计算周围方格的外激素浓度,选择外激素浓度最高的方格方向移动。 private Square chooseBestSquare()
{
Square[] square_list = {SQUARE.E, SQUARE.NE, SQUARE.N, SQUARE.NW, SQUARE.W, SQUARE.SW, SQUARE.S, SQUARE.SE};
double current_best_value = 0;
double value = 0;
Square square = SQUARE;
// 选择最好的方格

for(int i=0;i {
value = calculateSquareValue(square_list[i]);//计算方格值
if(value > current_best_value)
{
current_best_value = value;
square = square_list[i];
}
}
if(square.ANTS.size() >= Settings.MAXIMUM_NUMBER_OF_ANTS)
{
return SQUARE;
}
return square;
}


private double calculateSquareValue(Square s)
{
double[] thresholds = Settings.THRESHOLDS;
if(s==null || s.WALL) // 方格有障碍物
{
return -100000;
}

// 计算方格中各项参数的值
return s.getFood()*thresholds[0] // 食物
+ s.getPheromone_1() * thresholds[1] // 外激素
}



5、播撒外激素规则:每只蚂蚁找到食物后会根据食物的数量播撒相应量的外激素,以便其它蚂蚁能够更快得找到这堆食物。

private void putPheromone_1(double amount)
{
if(SQUARE.getPheromone_1() < Settings.PHEROMONE_LIMIT)
SQUARE.addPheromone_1(amount);
}



从以上蚁群算法中各个要素的代码来看,实现蚁群算法并不难。每只蚂蚁并不是像我们想象的需要知道整个环境的信息,它们只关心很小范围内的眼前信息,而且根据这些局部信息利用几条简单的规则进行决策,这样,在蚁群这个集体里,复杂性的行为就会凸现出来。这就是人工生命、复杂性科学解释的规律。

四 蚁群算法的不足

本文实现的蚁群算法只是简单的大致模拟蚁群的觅食过程,真正的蚂蚁觅食过程远比这个复杂,比如增加蚂蚁搬运食物的距离和数量,蚂蚁在搬运食物发现更大的食物可能会丢弃原有食物,还可以增加蚂蚁搬运食物回蚁穴的最短路径的求解。同时需要注意的是,由于蚁群算法觅食的过程,蚁群算法可能会过早的收敛并陷入局部最优解。

转载于:https://www.cnblogs.com/hetonghai/archive/2008/04/09/1144102.html

你可能感兴趣的:(遗传及蚁群算法)