在从Matlab实例学习蚁群算法 中我们介绍了用蚁群算法求解TSP问题的实例。 进一步的,本文介绍一个通过蚁群算法求解连续问题的实例。
求解 f ( x , y ) = 20 ( x 2 − y 2 ) 2 − ( 1 − y ) 2 − 3 ( 1 + y ) 2 + 0.3 f(x,y)=20(x^2-y^2)^2-(1-y)^2-3(1+y)^2+0.3 f(x,y)=20(x2−y2)2−(1−y)2−3(1+y)2+0.3 的最小值。其中 x ∈ [ − 5 , 5 ] , y ∈ [ − 5 , 5 ] x\in[-5,5], y\in[-5,5] x∈[−5,5],y∈[−5,5]。 这是一个简单的数学问题,用以阐释蚁群算法的求解过程。
通过这个实例,我们看到对于求解相较于TSP更为一般的优化问题时,蚁群算法主要就变成了, 多组可行解的智能并行搜索。 此时,根据当前蚂蚁所对应的解的优劣, 好的解则令蚂蚁在解的邻域中进行搜索,而差的解则让蚂蚁跳出这一解进行一个全局的搜索。
总之,感觉智能启发算法的核心思路正如强化学习中的exploration-exploitation 策略相似:以一定的概率保持着对未知的探索,其余遵循经验中最优的方向。
%%%%%%%%%%%%%%%%%%%%蚁群算法求函数极值%%%%%%%%%%%%%%%%%%%%%%%
%%%%%%%%%%%%%%%%%%%%%%%%%初始化%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
clear all; %清除所有变量
close all; %清图
clc; %清屏
m=20; %蚂蚁个数
G_max=200; %最大迭代次数
Rho=0.9; %信息素蒸发系数
P0=0.2; %转移概率常数
XMAX= 5; %搜索变量x最大值
XMIN= -5; %搜索变量x最小值
YMAX= 5; %搜索变量y最大值
YMIN= -5; %搜索变量y最小值
%%%%%%%%%%%%%%%%%随机设置蚂蚁初始位置%%%%%%%%%%%%%%%%%%%%%%
for i=1:m
X(i,1)=(XMIN+(XMAX-XMIN)*rand);
X(i,2)=(YMIN+(YMAX-YMIN)*rand);
Tau(i)=func(X(i,1),X(i,2));
end
step=0.1; %局部搜索步长
for NC=1:G_max
lamda=1/NC;
[Tau_best,BestIndex]=min(Tau);
%%%%%%%%%%%%%%%%%%计算状态转移概率%%%%%%%%%%%%%%%%%%%%
for i=1:m
P(NC,i)=(Tau(BestIndex)-Tau(i))/Tau(BestIndex);
end
%%%%%%%%%%%%%%%%%%%%%%位置更新%%%%%%%%%%%%%%%%%%%%%%%%
for i=1:m
%%%%%%%%%%%%%%%%%局部搜索%%%%%%%%%%%%%%%%%%%%%%
if P(NC,i)XMAX
temp1=XMAX;
end
if temp2YMAX
temp2=YMAX;
end
%%%%%%%%%%%%%%%%%%蚂蚁判断是否移动%%%%%%%%%%%%%%%%%%
if func(temp1,temp2)