毕业论文：蚁群算法的研究应用(定稿)-精品.doc

毕业论文：蚁群算法的研究应用(定稿)-精品.doc

《毕业论文：蚁群算法的研究应用(定稿)-精品.doc》由会员分享，可在线阅读，更多相关《毕业论文：蚁群算法的研究应用(定稿)-精品.doc（42页珍藏版）》请在冰豆网上搜索。

第一章绪论

1.1选题的背景和意义

受社会性昆虫行为的启发，计算机工作者通过对社会性昆虫的模拟产生了一系列对于传统问题的新的解决方法，这些研究就是群体智能的研究。

群体智能作为一个新兴领域自从20世纪80年代出现以来引起了多个学科领域研究人员的关注，已经成为人工智能以及经济社会生物等交叉学科的热点和前沿领域。

群体智能（SwarmIntelligence）中的群体（Swarm）指的是“一组相互之间可以进行直接通信或者间接通信（通过改变局部环境）的主体，这组主体能够合作进行分布问题求解，群体智能指的是无智能或者仅具有相对简单智能的主体通过合作表现出更高智能行为的特性;其中的个体并非绝对的无智能或只具有简单智能,而是与群体表现出来的智能相对而言的。

当一群个体相互合作或竞争时，一些以前不存在于任何单独个体的智慧和行为会很快出现。

群体智能的提出由来已久,人们很早以前就发现,在自然界中,有的生物依靠其个体的智慧得以生存,有的生物却能依靠群体的力量获得优势。

在这些群体生物中,单个个体没有很高的智能,但个体之间可以分工合作、相互协调,完成复杂的任务,表现出比较高的智能。

它们具有高度的自组织、自适应性，并表现出非线性、涌现的系统特征。

群体中相互合作的个体是分布式的，这样更能够适应当前网络环境下的工作状态;没有中心的控制与数据，这样的系统更具有鲁棒性，不会由于某一个或者某几个个体的故障而影响整个问题的求解。

可以不通过个体之间直接通信而是通过非直接通信进行合作，这样的系统具有更好的可扩充性。

由于系统中个体的增加而增加的系统的通信开销在这里十分小。

系统中每个个体的能力十分简单，这样每个个体的执行时间比较短，并且实现也比较简单，具有简单性。

因为具有这些优点，虽说群集智能的研究还处于初级阶段，并且存在许多困难，但是可以预言群集智能的研究代表了以后计算机研究发展的一个重要方向。

随着计算机技术的飞速发展，智能计算方法的应用领域也越来越广泛，当前存在的一些群体智能算法有人工神经网络,遗传算法,模拟退火算法，群集智能，蚁群算法,粒子群算等等。

蚁群算法只是其中的一种。

人工智能计算也有人称之为“软计算”，是们受自然（生物界）规律的启迪，根据其原理，模仿求解问题的算法。

从自然界得到启迪，模仿其结构进行发明创造，这就是仿生学。

这是我们向自然界学习的一个方面。

另一方面，我们还可以利用仿生原理进行设计（包括设计算法），这就是智能计算的思想。

群体智能的研究涉及到生物学、心理学、社会学、控制理论、决策理论等领域；个体行为是构成群体行为的基础，个体之间的组织结构、个体行为之间的关系和群体行为的涌现机制是研究群体行为的关键要素。

目前主要研究仿生的群体优化算法，群体组织内部的通信机制及其应用方面，如微粒群算法、蚁群算法、群体机器人等。

群体智能应用于解决大多数优化问题或者能够转化为优化求解的问题，目前应用领域已经扩展到多目标优化、数据分类、数据聚类、模式识别、生物系统建模、机器人控制、决策支持以及仿真和系统辨识等方面。

集群是生物中常见的一种生存现象。

大自然中可以看到成群结队的大雁、鱼以及蚂蚁等动物，他们会暂时或永久的聚集成群。

蚂蚁算法是由意大利学者M.Dorigo,V.Manierio,A.Collorni等人于二十世纪九十年代提出的一种新型的模拟进化算法。

经过研究发现，蚂蚁在觅食的过程中通过一种称之为信息素（Pheromone）的物质相互传递信息。

更具体地，蚂蚁在运动过程中能够在其所经过的路径上留下信息素，而且在运动过程中能够感受到这种信息素的存在及其强度，并以此指导自己的运动方向。

蚂蚁倾向于朝着信息素浓度高的方向前进，因此，由大量蚂蚁组成的蚁群的行为便表现出一种信息的正反馈现象：

某一路径上走过的蚂蚁越多，则后来者选择该路径的概率就越大。

蚁群就是通过个体之间这种信息交换机制来彼此协作达到搜索食物的目的。

Colorni和Dorigo等人在研究该问题的基础之上提出了一类模拟自然界蚁群觅食行为的模拟进化算法——蚁群算法。

蚁群通过信息交换与互相协作找到从蚁穴到食物源的最短路径的机制显然可以被借鉴来求解各种与最优路径相关的组合优化问题。

1.2国内外研究现状

1）群体算法研究

群体智能研究起源于对社会性昆虫（如蚂蚁、蜜蜂等）的群体行为的研究。

现

有的对群体智能的研究，大都是从某一种有大量个体表现出来的群体行为出发，从它们的群体行为中提取模型，为这些行为建立一些规则，从而提出算法，应用于解决实际中的问题。

群智能理论研究领域有两种主要的算法：

蚁群算法（ACO）和微粒群算法（PSO）。

前者是对蚂蚁群落食物采集过程的模拟，已成功应用于许多离散优化问题。

微粒群算法也是起源于对简单社会系统的模拟，最初是模拟鸟群觅食的过程，但后来发现它是一种很好的优化工具。

a）蚁群算法（ACO）

蚂蚁个体在觅食过程中，会在自己经过的路径留下信息素，后面的蚂蚁个体通过感知信息素的浓度来决定自己的路径。

由于信息素随时间挥发，所以比较短的路径上信息素浓度也比较大。

因此，蚂蚁就可以通过这种方式找到更短的路径觅食，为解决各种寻优问题提供了一种新的方法。

意大利学者MacroDorigo用于求解TSP问题，以后有用于求解二次分配问题、皇后问题、函数优化问题、背包问题。

b）微粒群优化算法（PSO）

PSO由JamesKennedy和R．C．Eberhart在1995年提出的，是一种基于种群寻优的启发式搜索算法，该算法源于对鸟群、鱼群觅食行为的模拟。

首先初始化一群随机粒子（随机解），然后通过迭代寻找最优解，每次迭代中，粒子通过跟踪两个极值（个体极值和全局极值）来更新自己的速度和位置。

应用在函数的优化问题，神经网络的训练。

2）群体机器人[14]

群体智能最初被应用于描述细胞机器人系统。

通过对蚂蚁等社会性昆虫行为研究，发现了社会性昆虫的自组织、自组装能力。

布鲁塞尔自由大学的MacroDorigo领导的项目Swarm-bots，其目标是建立一个由多个类似于昆虫且简单的机器人组成的群体，由多个简单机器人组成的群体机器人系统通过协调、协作可以完成单个机器人无法完成或难以完成的工作。

研究群体机器人系统，目标是建立经济、灵活、健壮的系统去完成复杂的任务，主要研究内容为群体机器人之间的交互、通信、协作与控制、机器人的自组装等。

1.3群体智能研究应用

随着群体智能理论和研究算法的进一步成熟，已经将其应用到一些工程优化问题中，并且已取得了明显的效果。

文献15采用PSO对神经网络进行了优化，并利用其设计了电力变压器的智能保护机制15。

文献[16]利用PSO实现了对各种连续和离散控制变量的优化，从而达到了控制核电机组电流稳定输出电压的目的16。

蚁群优化算法为解决组合优化问题提供了新思路，并很快被应用到其它组合优化问题中。

比较典型的应用研究包括：

网络路由优化、数据挖掘以及一些经典的组合优化问题．蚁群算法在电信路由优化中己取得了非常显著的应用成果。

17-20HP公司和英国电信公司在90年代中后期都开展了这方面的研究，设计了蚁群路由算法（ACR）。

Lumer和FaietaDeneubourg提出将蚁巢分类模型应用于数据聚类分析21。

其基本思想是将待聚类数据随机地散布到一个二维平面内，然后将虚拟蚂蚁分布到这个空间内，并以随机方式移动，当一只蚂蚁遇到一个待聚类数据时即将之拾起并继续随机运动，若运动路径附近的数据与背负的数据相似性高于设置标准则将其放置在该位置，然后继续移动，重复上述数据搬运过程。

按照这样的方法可实现对相似数据的聚类22。

吴斌等人又在简化分类模型的基础上系统地提出了一种基于群体智能的聚类算法23。

1.4蚁群算法的研究应用

蚁群算法（antcolonyalgorithm，简称ACA）是最近几年才提出来的一种新型的模拟进化算法。

它是由意大利学者Pofigo等人受到人们对自然界中真实蚁群集体行为的研究成果的启发而首先提出来的。

1⋯蚁群算法的应用进展以蚁群算法为代表的群智能已成为当今分布式人工智能研究的一个热点，许多源于蜂群和蚁群模型设计的算法己越来越多地被应用于企业的运转模式的研究。

当前对蚁群算法的研究，不仅有算法意义上的研究，还有从仿真模型角度的研究，并且不断有学者提出对蚁群算法的改进方案。

从当前可以查阅的文献情况来看，研究和应用蚁群算法的学者主要集中在比利时、意大利、英国、法国、德国等欧洲国家，日本和美国在这一两年内也开始启动对蚁群算法的研究。

国内于1998年末才开始有少量公开报道和研究成果。

美国五角大楼正在资助关于群智能系统的研究工作-群体战略，它的一个实战用途是通过运用成群的空中无人驾驶飞行器和地面车辆来转移敌人的注意力，让自己的军队在敌人后方不被察觉地安全进行。

英国电信公司和美国世界通信公司以电子蚂蚁为基础，对新的电信网络管理方法进行了试验。

群智能还被应用于工厂生产计划的制定和运输部门的后勤管理。

美国太平洋西南航空公司采用了一种直接源于蚂蚁行为研究成果的运输管理软件，结果每年至少节约了1000万美元的费用开支。

英国联合利华公司己率先利用群智能技术改善其一家牙膏厂的运转情况。

美国通用汽车公司、法国液气公司、荷兰公路交通部和美国一些移民事务机构也都采用这种技术来改善其运转的机能。

鉴于群智能广阔的应用前景，美国和欧盟均于近几年开始出资资助基于群智能模拟的相关研究项目，并在一些院校开设群体智能的相关课程。

国内，国家自然科学基金”十五”期间学科交叉类优先资助领域中的认知科学及其信息处理的研究内容中也明确列出了群智能领域的进化、自适应与现场认知主题。

　　蚁群优化算法最初用于解决TSP问题，经过多年的发展，已经陆续渗透到其他领域中，如，图着色问题、大规模集成电路设计、通讯网络中的路由问题以及负载平衡问题、车辆调度问题等。

蚁群算法在若干领域己获得成功的应用，其中最成功的是在组合优化问题中的应用。

1.5　本文的工作

本文选择了自然界的蚂蚁作为研究对象，通过研究蚂蚁的群体行为，首先对系统进行建模然后用计算机仿真的方法建立了一个具有蚂蚁所拥有特性的虚拟系统，并用图形化的方式进行了演示，通过系统运行演示蚂蚁复杂行为产生过程。

1）对蚁群的觅食行为等规律进行了分析，并建立了一种基于向量的数据模型，

模型由环境、主体、行为规则组成。

环境为蚁群生存的空间，主体间通过环境相互作用；主体包括蚂蚁主体、窝主体、障碍物主体、信息素主体和食物主体；行为规则有：

范围规则，环境规则，觅食规则，移动规则，避障规则，播撒信息素规则。

通过对蚂蚁主体的属性和行为规则的抽取，模型尽可能地反映蚂蚁的主要属性。

2）然后利用Java技术进行软件设计，自下而上地构建了一个虚拟蚂蚁系统。

3）使用已建立好的系统模型进行了仿真，通过设置障碍物以及对参数的调整，来观察仿真结果所表现出来的不同群体行为，并对仿真的结果分析，来研究蚂蚁产生的复杂行为及其原因——即个体与环境，以及个体之间的交互。

第二章群体智能理论及其研究方法

2.1群体智能概述

群智能理论的基本原理30是以生物社会系统（Biologysocialsystem）作为依托，也就是由简单个体组成的群体与环境以及个体之间的互动行为。

这种生物社会性的模拟系统利用局部信息产生难以估量的复杂群体行为。

群体智能并不是所有生物种群都具有的特性，它是那些具有社会性特征的群居。

生物个体合作进行某些活动时才会产生的涌现现象。

关于群体智能行为的生物原型，Bonabeau描述了生物蚂蚁群体的一些行为，如觅食、劳动分工、尸体聚集、巢穴构造、合作运输等，并分别对其建模，然后设计了一系列算法、多主体系统（MAS）和多机器人系统31。

集中介绍了社会性昆虫的行为建模和蚁群优化算法及其性能。

Kennedy通过观察鸟群的协同运动，开创了微粒群优化这一新型群体智能方法的研究领域，并以此为基础提出了以下基本观点6：

1）人类智能的产生源于社会交往；

2）文化和认知是人类社交的结果。

对蚁群的研究，也属于群体智能的理论范畴