蚁群算法
发表评论
451 views

1 基本概念

蚁群算法（Ant Colony Algorithm，ACA）由Marco Dorigo于1992年在他的博士论文中首次提出，该算法模拟了自然界中蚂蚁的觅食行为。

蚂蚁寻径的生物过程：

  • 蚂蚁在寻找食物源时，会在其经过的路径上释放一种信息素，并能够感知其它蚂蚁释放的信息素。信息素浓度的大小表征路径的远近，信息素浓度越高，表示对应的路径距离越短
  • 通常，蚂蚁会以较大的概率优先选择信息素浓度较高的路径，并释放一定量的信息素，以增强该条路径上的信息素浓度，这样，会形成一个正反馈
  • 最终，蚂蚁能够找到一条从巢穴到食物源的最佳路径，即距离最短
  • 值得一提的是，生物学家发现，路径上的信息素浓度会随着时间的推进而逐渐衰减

2 核心过程

ACA算法解决优化问题的基本思路：

  • 用蚂蚁的行走路径表示待优化问题的可行解，整个蚁群的所有路径构成待优化问题的解空间
  • 路径较短的蚂蚁释放的信息素量较多，随着时间的推进，较短的路径上累积的信息素浓度逐渐增高，选择该路径的蚂蚁个数也愈来愈多。最终，整个蚂蚁会在正反馈的作用下集中到最佳的路径上，此时对应的便是待优化问题的最优解

ACA算法核心过程：

  • 假设蚁群数量为$m$，城市数量为$n$，任意两个城市间的距离为$d_{ij}(i,j=1,2,...,n)$
  • 在$t$时刻城市$i$和城市$j$间路径上的信息素浓度为$\tau_{ij}(t)$，各城市间初始信息素浓度相同$\tau_{ij}(0)=\tau_0$
  • 设$P^k_{ij}(t)$表示蚂蚁$k$在时刻$t$从城市$i$转移到城市$j$的概率，其计算公式如下： $$P^k_{ij}(t) = \frac{[\tau_{ij}(t)]^\alpha[\eta_{ij}(t)]^\beta}{\Sigma_{s \in S_k}[\tau_{is}(t)]^\alpha[\eta_{is}(t)]^\beta} $$
  • 其中$\eta_{ij}(t)$为启发函数，表示蚂蚁从城市$i$转移到城市$j$的期望度；常设$\eta_{ij}(t)=1/d_{ij}$
  • $S_k$为蚂蚁$k$待访问城市的集合。开始时，$S_k$中有$(n-1)$个元素，即包括除了蚂蚁$k$出发城市的其它所有城市。随着时间的推进，$S_k$中的元素不断减少，直至为空，即表示所有的城市均访问完毕
  • $\alpha$为信息素重要程度因子，其值越大，表示信息素的浓度在转移中起的作用越大
  • $\beta$为启发函数重要程度因子，其值越大，表示蚂蚁会以较大的概率转移到距离短的城市

  • 当所有蚂蚁完成一次循环后，各城市间路径上的信息素浓度需进行更新，具体公式如下： $$\begin{equation} \left\{ \begin{gathered} \Delta\tau_{ij}^k=Q/L_k \ \\ \Delta\tau_{ij}=\Sigma_{k=1}^n\Delta\tau_{ij}^k \ \\ \tau_{ij}(t+1)=(1-\rho)\times \tau_{ij}(t)+\Delta\tau_{ij}

    \end{gathered} \right.

\end{equation}$$

  • 其中，$Q$表示蚂蚁循环一次释放的信息素总量（常数）
  • $L_k$表示第$k$只蚂蚁从城市$i$访问城市$j$期间经过路径的长度
  • $\Delta\tau_{ij}^k$表示第$k$只蚂蚁在城市$i$与城市$j$连接路径上释放的信息素浓度
  • $\Delta\tau_{ij}$表示所有蚂蚁在城市$i$与城市$j$连接路径上释放的信息素浓度之和
  • 参数$\rho(0<\rho<1)$表示信息素的挥发程度，模拟信息素随着时间推移而消散的过程

3 算法分析

ACA算法的特点：

  • 采用正反馈机制，使得搜索过程不断收敛，最终逼近于最优解
  • 个体通过释放信息素来改变周围的环境，并且个体能够感知周围环境的实时变化，因此个体间可以通过环境进行间接的信息交流
  • 搜索过程采用分布式计算方式，不同个体可以并行计算，算法的计算能力和运行效率好
  • 启发式的概率搜索方式，不容易陷入局部最优，易于寻找到全局最优解

4 代码实现

基于scikit-opt包的Python实现——解决旅行商问题：

import numpy as np
from scipy import spatial
import pandas as pd
import matplotlib.pyplot as plt

num_points = 25

points_coordinate = np.random.rand(num_points, 2)  # generate coordinate of points
distance_matrix = spatial.distance.cdist(points_coordinate, points_coordinate, metric='euclidean')

def cal_total_distance(routine):
    num_points, = routine.shape
    return sum([distance_matrix[routine[i % num_points], routine[(i + 1) % num_points]] for i in range(num_points)])

from sko.ACA import ACA_TSP

aca = ACA_TSP(func=cal_total_distance, n_dim=num_points,
              size_pop=50, max_iter=200,
              distance_matrix=distance_matrix)

best_x, best_y = aca.run()

fig, ax = plt.subplots(1, 2)
best_points_ = np.concatenate([best_x, [best_x[0]]])
best_points_coordinate = points_coordinate[best_points_, :]
ax[0].plot(best_points_coordinate[:, 0], best_points_coordinate[:, 1], 'o-r')
pd.DataFrame(aca.y_best_history).cummin().plot(ax=ax[1])
plt.show()

往年同期文章