Algoritmo de colonia de hormigas y sus ejemplos de aplicación
La optimización de colonias de hormigas (ACO), también conocida como algoritmo de hormigas, es un algoritmo biónico obtenido simulando el método de búsqueda de rutas de las hormigas naturales. Es un tipo de algoritmo utilizado en gráficos. para encontrar caminos óptimos.
Durante el movimiento de las hormigas, pueden dejar feromonas en el camino que recorren. Posteriormente, las hormigas pueden sentir la presencia de feromonas. Es más probable que las siguientes hormigas elijan el camino con una mayor concentración de feromonas. crea un fenómeno de retroalimentación positiva.
Puede encontrar el camino más corto comenzando desde el origen, pasando por varios puntos de demanda determinados y finalmente regresando al origen. Este es también el famoso problema del viajante (TSP).
Si una hormiga parte del punto A al punto D para buscar alimento, puede elegir aleatoriamente un camino entre ABD o ACD. Supongamos que inicialmente se asigna una hormiga a cada camino y camina un paso por unidad de tiempo. Después de 8 unidades de tiempo, la situación es como se muestra en la siguiente figura: la hormiga en la ruta ABD llega al punto D y la hormiga en la ruta ACD. llega al punto C.
Luego, después de otras 8 unidades de tiempo, es fácil llegar a la siguiente situación: las hormigas de la ruta ABD regresan al punto A, y las hormigas de la ruta ACD llegan al punto D.
α representa el grado de influencia de la cantidad de feromona sobre la elección del camino actual, lo que refleja la fuerza del factor aleatorio en la búsqueda del camino de la colonia de hormigas.
Cuanto mayor sea α, más probable será que la hormiga elija un camino que ya ha recorrido antes, y la aleatoriedad de la búsqueda se verá debilitada.
Si α es demasiado pequeño, hará que la búsqueda de colonias de hormigas caiga prematuramente en el nivel óptimo local. El rango de valores suele ser .
β refleja la importancia relativa de la información heurística para guiar la búsqueda de colonias de hormigas y la intensidad del papel de los factores a priori y deterministas en el proceso de optimización de las colonias de hormigas.
Si β es demasiado grande, aunque la velocidad de convergencia se acelera, es fácil caer en un óptimo local.
Si β es demasiado pequeño, la colonia de hormigas caerá fácilmente en una búsqueda aleatoria pura, lo que dificultará encontrar la solución óptima. Normalmente se toma.
ρ refleja el grado de evaporación de la feromona. Por el contrario, 1-ρ representa el nivel de retención de la feromona.
Si ρ es demasiado grande, la feromona se emitirá demasiado rápido. , lo que puede conducir a la ruta óptima excluida.
Si ρ es demasiado pequeño, la diferencia en el contenido de feromonas en cada ruta es demasiado pequeña y la posibilidad de que aquí se seleccionen rutas previamente buscadas es demasiado alta, lo que afectará la aleatoriedad y las capacidades de búsqueda global del algoritmo. Normalmente es [0,2, 0,5].
Si m es demasiado grande, las feromonas en cada camino tienden a promediarse y el efecto de retroalimentación positiva se debilita, lo que resulta en una convergencia más lenta.
Si m es demasiado pequeño, puede causar que la concentración de feromonas de algunos caminos nunca buscados se reduzca a 0, lo que lleva a una convergencia prematura y reduce la optimización global de la solución.
Cantidad total de información El impacto de Q en el rendimiento del algoritmo depende de la selección de αβρ y de la elección del modelo de algoritmo.
Q no tiene un impacto obvio en el rendimiento del algoritmo de colonia de hormigas del modelo de ciclo de hormigas, por lo que no es necesario considerarlo en particular y puede elegirse arbitrariamente.