群体智能及其在分布式知识管理中的应用研究.docx
- 文档编号:14342959
- 上传时间:2023-06-22
- 格式:DOCX
- 页数:42
- 大小:38.34KB
群体智能及其在分布式知识管理中的应用研究.docx
《群体智能及其在分布式知识管理中的应用研究.docx》由会员分享,可在线阅读,更多相关《群体智能及其在分布式知识管理中的应用研究.docx(42页珍藏版)》请在冰点文库上搜索。
群体智能及其在分布式知识管理中的应用研究
群体智能及其在分布式知识管理中的应用研究
合肥工业大学
硕士学位论文
群体智能及其在分布式知识管理中的应用研究
姓名:
束建华
申请学位级别:
硕士
专业:
计算机软件与理论
指导教师:
杨善林;倪志伟
20071101群体智能及其在分布式知识管理中的应用研究
摘要
群体智能是一种由无智能或简单智能的个体通过任何形式的聚集协
同而表现出智能行为。
它所具有的分布式组织模型对解决复杂组合优化问
题、分布控制问题提供了很好的思路。
目前对群体智能的研究仍处于初级
阶段,但是由于它在许多领域中都表现出令人满意的寻优性能,所以越来
越受到相关领域学者的关注。
本文首先介绍了蚁群算法的发展历程、理论基础和应用领域,接着简
要介绍了其他目前比较流行的四种新型仿生优化算法:
粒子群算法、遗传
算法、人工神经网络、人工免疫算法,并深入分析了蚁群算法与这些仿生
优化算法的异同之处。
蚁群优化是人工智能领域中群体智能分支之一,已成功地应用于复杂
优化问题的求解,但其在知识发现领域的应用还是一个新的研究课题。
本
文提出一种新的基于蚁群优化的分类规则挖掘方法,先利用蚁群算法通过
对属性约简简化数据集,再使用蚁群算法进行分类规则的挖掘,并用新的
规则剪枝方法,提高了分类算法的效率和分类准确率。
实验表明该方法是
有效的。
随着分布式计算环境的广泛应用,其数据和计算能力分布在不同的节
点,分布式数据挖掘技术研究成为一个新的研究热点。
本文提出了一种基
于蚁群算法的分布式分类规则挖掘算法,同时对多个场地的训练集挖掘,不
仅可以获得较高的分类准确率,而且可以充分发挥分布式处理速度快和节省集
成存储空间的优势。
本文最后提出了基于蚁群算法的分布式知识管理系统
的多框架模型,并以学生成绩分析为例简单分析了在分布式知识管理
中基于蚁群算法的分布式数据挖掘的具体应用步骤。
关键词:
群体智能,蚁群优化算法,分类,多代理,分布式知识管理
..,。
..
.,,,,......,..
.,,.
..
.,
?
.
:
,,?
插图清单
图.
?
算法框图.
图.发现过程图.
的转换转换为的和操作界面?
:
图.利用中名为“”的离散化数据的界面?
?
.
图.数据预处理界面?
一
图.分类规则挖掘参数设置及结果显示界面一
图.传统的基于数据仓库的数据挖掘框架?
..
图.
分布式数据挖掘体系框架..
图.分布式分类规则挖掘系统结构?
..
图.
知识管理的框架模型?
?
一
图.知识管理系统的软件架构。
图.
分布式知识管理系统的多结构模型?
?
一
图.
分布式管理系统中的挖掘系统的多结构模型?
..
表格清单
表.本文的组织结构?
?
。
表.几种典型的蚁群算法~
表.蚁群优化算法及其应用表.属性约简前后的数据集对比
表.交叉验证次的结果?
?
..
独创性声明
本人卢明所呈交的学位论文是本人在导师指导下进行的研究工作及取得的研究成果。
据
我所知。
除了文中特别加以标注和致谢的地方外,论文中不包含其他人已经发表或撰写过的
或其他教育机构的学位或证书而使用过的
研究成果。
也不包含为获得
盒垦王些盔堂
材料。
与我一同:
作的同志对本研究所做的任何贡献均已在论文中作了明确的说明并表示谢
意。
学位论文作者签名:
每窆等
学位论文版权使用授权书
本学位论文作者完全了解盒蟹王些盔堂有关保留、使用学位论文的规定.有权保留并
向国家有关部门或机构送交论文的复印件和磁盘,允许论文被查阅和借阅。
本人授权?
金监
兰些厶堂可以将学位论文的全部或部分内容编入有关数据库进行检索.可以采用影印、缩
印或扫描等复制手段保存、汇编学位论文。
.
保密的学位论文在解密后适用本授权书
导师躲侈幼/
学位论文作者签名:
雩建彳
签字日期:
砷年,月日签字日期:
?
年,;,月日
学:
论文作者毕业后去向:
电话:
工作单位:
雪;_码,太学
邮编:
通诫地址:
致谢
值此论文完成之际,首先要衷心感谢培育我的导师杨善林教授和倪志
伟教授,向他们表示崇高的敬意和深深的谢意。
杨老师高瞻远瞩的视野、博大精深的知识、严谨的学风、敏锐的洞察
力和出色的领导才能,值得我终生学习。
他的积极开拓、勇于进取的科研
精神,学生引为楷模。
倪老师治学严谨,学识渊博,使我在理论学习上受益匪浅,同时对我
的生活和工作也是关怀备至。
在学期间,倪老师多次给机会让我参加科研
项目的研究和书籍的编写等工作,为我今后的工作奠定了坚实的基础。
从
论文选题到最终成文,一直得到倪老师的启发、指导、支持和信任,才使
得我能够顺利完成论文撰写。
在此再次向倪老师表示感谢
感谢合肥工业大学管理学院智能管理研究所的师兄妹们,正是在和你
们的讨论、交流和帮助下,我才得以不断提高。
感谢计算机与信息学院的领导及所有帮助过我的授课老师和同学,你
们在学习和生活上的指导、帮助和鼓励,使我能够轻松、愉快地渡过两年
半的美好时光。
感谢安徽理工大学的领导和同事,感谢我的家人,是你们在工作和生
活的支持与关爱,使我能够安心学习,顺利完成学业
最后向百忙中评审该文并提出宝贵意见和建议的各位专家表示衷心的感
谢
作者:
束建华
年月日
第章绪论
.本论文的研究背景、目的
人工智能在经历了世纪年代整整年的繁荣后,由于方法论上始终
没有突破经典计算思想的藩篱,再次面临着寒冬季节的考验。
与此同时,随着
人们对生命本质的不断了解,生命科学却以;所未有的速度迅猛发展,使人工
智能的研究开始摆脱经典计算的束缚,大胆探索起新的非经典计算途径,正如
人工智能先驱所认为的“我们应该从生物学而不是物理学受到启
示?
?
”那样,对生物启发式计算的研究,迎来了人工智能研究领域新的曙光。
在这种背景下,社会性动物如蚁群、蜂群、乌群、鱼群等的自组织行
为引起了人们的广泛关注,许多学者对这种行为进行数学建模并用计算机对其
进行仿真,这就产生了所谓的群体智能
。
群体智能中
的群体指的是一组相互之间可以进行直接通信或者问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。
而所谓群体智能指的是简单
智能的主体通过合作表现出复杂智能行为的特性。
等人将任何启发于
群居性昆虫群体和其它动物群体的集体行为而设计的算法和分布式问题解决装
置都称为群体智能¨。
于年提出了群体智能的五个基本原则:
邻近原则、品质原
则、多样性反应原则、稳定性原则、适应性原则。
这些原则说明实现群体智能
的智能主体必须能够在环境中表现出自主性、反应性、学习性和自适应性等智
能特性。
群体智能方法易于实现,算法中仅涉及各种基本数学操作,且这种方法只
需目标函数的输出值,而无需其梯度信息并且已有大量的算法研究成果借鉴。
更重要是,群体智能潜在的并行性和分布式特点为处理大量的以数据库形式存
在的数据提供了技术保证。
知识同人类的智能活动有着密切的关系,所有的智能活动,包括学习、理
解和解决问题的能力,都完全靠知识。
知识管理就是指综合利用信息技术以实
现知识的获取、存储和重用。
根据第二代知识管理的思想,以及现在企业、组
织的分散式管理特点,分布式知识管理的需求被提出。
而人工智能的工作原理
是以知识的获取与学习、知识的表达、知识的处理以及如何利用知识求解问题
的基本技术作为主要的研究内容。
由于智能与知识密不可分、相互依存的关系,
人工智能在知识管理中有不可替代的作用。
群体智能在没有集中控制并且不提
供全局模型的前提下,为寻找复杂的分布式问题的解决方案提供了基础。
鉴于
群体智能的个体简单性、分布性、自组织性、协作性等特征非常适合于分布式
环境,利用其为分布式知识管理服务,提高知识管理的效率。
无论是从理论研究还是应用研究的角度分析,群体智能理论及其应用研究
都是具有重要学术意义和现实价值的。
.国内外研究状况分析
..群体智能研究的发展
早在年实现了生物群体行为的仿真模型;
年
正式提出人工生命的概念:
年曾指出群体智
能是显示集体智能行为的非智能机器人所组成系统的一种特性,它的特点是分
布式,没有集中控制,没有明确的环境模型,通过传感观察环境,能够改变环
境;年.提出蚁群算法。
但是群体智能概念正式提出的时间并不
长,其一个显著标志是年牛津大学出版社出版了由.等人编写
的一本专著《群体智能:
从自然到人工系统》。
.等人从年开始
组织了两年一次的关于蚁群算法和群体智能国际会议。
年进化计算大会召
开了蚁群算法专题会议。
期刊《下一代计算系统》在年为蚁群算法作了一
次专辑。
一些有影响的刊物如《科学美国人》、《自然》分别在年月和
月刊登文章介绍蚁群算法和群体智能。
进化计算汇刊也在年出版蚁
群算法和群体智能专辑。
在美国成立专门的组织研究群体的仿真,在加州工学
院专门开设了群体智能的课程。
由欧洲联盟资助的群体智能相关研究项目也于
年在欧洲多个研究机构启动。
在我国,年代末开始,国家自然科学基金
委员会、国家计划以及各省市的科研基金部门等都对群体智能优化的研究
给予了必要的资助。
经过多年的发展,群体智能理论凭借其简单的算法结构和突出的问题求解
能力,吸引了众多研究者的目光,并取得了令人瞩目的成果。
..群体智能研究的重要性
大量的研究成果证明大自然始终是开启人类智慧的老师。
“师法自然”,
人类受到社会系统、物理系统、生物系统等运行机制启发,建立和发展起一个
个研究工具和手段来解决和攻克研究过程中遇到的困难。
群体智能作为其中的
一个重要的组成部分己显示出潜在的优势:
灵活、稳定、分布式控制和自组织
能力。
而且工程问题中日益复杂的信息处理需求,尤其是动态特性突出的问题,
为群智能优化的应用研究提供了广阔的空间。
群体智能具有以下鲜明特征【】:
群体中相互合作的个体是分布的,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,系统具
有更好的可扩充性。
因为系统中个体的增加而引起系统通信开销的增加很小;
系统中每个个体的能力十分简单,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;
对问题定义的连续性无特殊要求。
显然,群体智能优化算法具有传统优化算法所不具备的优势。
进一步改进
群体智能优化算法,拓宽其在各类组合优化问题领域的应用,是非常有意义的。
..群体智能研究中的一些问题及主要研究方向
群智能优化的研究尚处于初期,还有很多问题值得研究。
笔者认为,以下
是群体智能研究中存在的一些主要问题及研究方向:
群智能优化的理论基础研究还很贫乏,还需要就此问题做大量深入的
研究,包括算法的收敛性分析、复杂性分析等理论研究。
由于实际问题的多样性和复杂性,尽管目前己提出了许多改进的算法,
但是研究改进算法的动力并未减弱,还有许多工作可做。
同时针对社会、物理、
生物等系统的建模与分析,建立和开发新的算法模型是群体智能优化进一步发
展的生命源泉。
开拓算法的应用领域是一项有价值的工作,因为群体智能算法的生命
力在于工程应用。
同时,不存在适用于任何问题的优化算法,研究各群体智能
算法的适用范围也是必要的。
另外,群体机器人的研究是一个研究的热点。
统一的群体智能算法的系统框架的构建。
建立系统的算法框架有助于
从整体上研究群体智能优化算法的基本特性和性能特点,有利于融合各算法的
优点,取长补短发展混合型算法,提高群体智能优化算法解决实际问题的能力。
比较性研究不足,也就是说与各种成熟的优化算法之间的基本特性及
性能特点的对比研究还不是十分充分,而且缺乏用于性能评估的标准测试集。
同其他的自适应问题处理方法一样,群体智能也不具备绝对的可信性。
当处理突发事件时,系统的反应可能是不可测的,这在一定程度上增加了其应
用风险。
.论文的主要工作与组织结构
..论文的主要工作
由于群体智能包含多种仿生技术,目前大部分学者主要研究群体智能中的
两种具有代表性的算法:
由学者在年提出的著名的蚁群优化算法
【】和等学者在年提出的粒子群
优化算法
本文通过大量阅读国内外相关领域文献,借鉴已有研究经验,对目前群智
能优化算法的方法、原理和存在问题等的总结和分析,并在其基础上提出基于蚁群优化的分类规则挖掘算法的改进及针对分布式的数据源提供分布式环境下
分类规则挖掘的解决方案,最终建立基于以上研究成果之上的分布式知识管理
系统的多框架模型。
主要研究内容包括如下几个方面:
通过阅读、分析大量已有群体智能理论和实际应用研究的文献,总结
了已有研究成果及存在的问题;
论文对现有的基于蚁群优化的分类算法进行了研究,针对准确性、有
效性等问题,提出新的改进算法,并提出分布式环境的数据集的分类规则挖掘
方法的解决方案;
考虑将新的理论方法研究成果转换为实际的应用价值,本文尝试将基
于蚁群算法的分布式数据挖掘方法应用于分布式知识管理系统中,提出基于蚁
群算法的分布式知识管理系统的框架模型,并作简单的分析。
鉴于以上研究内容,论文拟解决的关键问题如下:
提出一种新的基于蚁群优化的分类规则挖掘算法,该算法先利用蚁群
算法通过对属性约简简化数据集,再使用蚁群算法进行分类规则的挖掘,并用
新的规则剪枝方法,通过实验验证该方法提高了分类准确率、执行效率及规则
简洁性:
分析将蚁群优化应用在分布式的分类规则挖掘的方法,提出基于分布
式数据库体系结构的分类算法,为分布式环境的数据源的数据挖掘提供
了新的解决思路;
将基于蚁群优化的解决分类规则挖掘问题的方法引入分布式知识管理
系统中,提高系统性能。
建立基于蚁群算法的分布式知识管理系统的多
框架模型。
..论文的组织结构
围绕上述研究工作,本文的组织结构,如表.所示:
表本文的组织结构
第一章导论
蚁群算法的研究
第二章
第三章
基于蚁群算法的分类规则挖掘方法
第四章蚁群算法在分布式知识管理系统中的应研究
第五章总结与展望
第一章是导论,主要介绍论文的研究背景、目的,群体智能的国内外研究
状况分析,包括群体智能研究的发展、群体智能研究的重要性、群体智能研究
中的一些问题及主要研究方向,最后系统介绍了论文的主要工作与组织结构。
第二章是蚁群算法的研究,主要结合最新的资料文献分析蚁群算法的原理、
方法、研究现状及其应用等,最后将蚁群算法与其他仿生优化算法进行对比研
究,总结了算法的优缺点。
第三章是基于蚁群算法的分类规则挖掘方法,首先是分类规则挖掘概述,
简单介绍分类规则挖掘的理论基础,重点研究基于蚁群优化的分类规则挖掘方
法,提出一种新的蚁群分类算法,先利用蚁群算法对属性约简而简化数据集,
再使用蚁群算法进行分类,并用新的规则剪枝方法,提高了算法的运行效率和
分类准确率。
最后进一步用基准数据集对其进行了模拟测试,实验结果验
证了该方法的有效性。
第四章是蚁群算法在分布式知识管理系统中的应用研究,首先是分布式数
据挖掘概述,简单介绍分布式数据挖掘的理论基础,重点研究基于蚁群算法的
分布式数据挖掘方法,在第三章的研究基础上提出一种分布式蚁群分类算法,
可处理动态的数据集如小.”可随着训练集的变化而动态变化,并
且个同时对个场地的训练集挖掘,不仅可以获得较高的分类准确
率,而且可以充分发挥分布式处理速度快和节省集成存储空问的优势。
继而是
分布式知识管理概述,简单介绍知识管理、分布式知识管理等概念,给出基于
技术的分布式知识管理系统框架,并进一步将蚁群算法引入其中,设计了
基于蚁群算法的分布式知识管理系统的框架,最后以学生成绩分析为例简单分
析了在分布式知识管理中基于蚁群算法的分布式数据挖掘的具体应用步骤。
此外,还在第五章中对全文进行总结,总结了本文在群体智能及其应用研
究方面所做的工作和结论,并展望了该学科的进一步发展前景。
最后,本文在附录部分对本人在攻读硕士学位期间发表论文情况、参加科
研项目情况和参加教材的编写情况进行了总结。
第章蚁群算法的研究
自然界一直是人类创造力的丰富源泉,自然界中的许多自适应优化现象不
断给人以启示:
生物体和生态系统可通过自身的演化就使许多在人类看起来高
度复杂的优化问题得到完美的解决。
近年来,一些试图通过模拟自然生态系统
机制以求解复杂优化问题的仿生优化算法相继出现,如遗传算法、蚁群算法、
粒子群算法、人工免疫算法、人工鱼群算法等。
蚁群算法是世纪年代初由
意大利学者.等人提出,被用于求解问题、调度问题、二次指派问题、
组合优化等问题等,取得了较好的仿真试验结果。
蚁群算法是一种新型的模拟
进化算法,其在数据挖掘领域中的应用正逐步引起人们的关注。
本章主要研究蚁群算法的基本原理、方法、研究现状及应用分析,并简单
介绍几种目『比较流行的仿生优化算法,对比分析了蚁群算法与这些算法的异
同之处,最后是本章小结。
.蚁群算法原理
蚁群算法是受到人们对自然界中真实的蚁群集体行为的研究成果的启发而
提出的一种基于种群的模拟进化算法。
等人对蚂蚁觅食的习性进行了研
究,发现蚂蚁的觅食行为实际上是一种随机行走。
但蚂蚁在行走过程中会在经
过的路径上散发化学物质信息素,其它的蚂蚁会受信息素的吸引,在随机行走
过程中趋向信息素较高的路径,整个蚁群通过这种信息素相互协作,形成正反
馈,多个路径上的蚂蚁逐渐聚集到最短的那条路径上来。
年等人首
次提出的蚁群算法原型就是基于这种模型的,充分利用了蚁群搜索食物的过程
:
之间的相似性,通过人
与著名的旅行商问题
工模拟蚂蚁搜索食物的过程来求解该问题,即通过个体之『白的信息交流与相互
协作最终找到从蚁穴到食物源的最短路径,取得了不错的效果,验证了蚁群算
法是一种有效的优化工具。
随着研究的深入,蚁群算法应用到越来越多的领域,
为更多领域的问题的求解提供了新的方法。
..蚁群算法模型
蚁群算法受观察蚁群觅食活动启发而建立的机制,主要包括三个方面【】:
蚂蚁的记忆。
一只蚂蚁搜索过的路径在下次搜索时就不会被选择,由
此在蚁群算法中建立禁忌列表来进行模拟。
蚂蚁利用信息素进行相互通信。
蚂蚁在所选择的路径上会释放一种叫
信息素的物质,同伴进行路径选择时,会根据路径上的信息素进行选择,这样
信息素就成为蚂蚁之间进行通讯的媒介。
蚂蚁的集群活动。
当某些路径上通过的蚂蚁越来越多时,在路径上留
下的信息素的数量也越来越多,导致信息素强度增大,蚂蚁选择该路径的概率
也随之增加,从而进一步增加该路径的信息素强度,而某些路径上通过的蚂蚁
较少时,路经上的信息素就会随时间的推移而蒸发。
因此,模拟这种现象从而
利用群体智能建立的路径选择机制,使蚁群算法的搜索向最优解推进。
考虑一般的极小化问题工,其中为问题的候选解集,对应中的每个
候选解,,有目标函数与之相对应。
为问题的约束集合。
问题是寻找
。
具有最小目标函数值且满足约束集合。
在中,
一个全局最优解
问题工具有以下特性:
一个解可以划分为若干个组成部分,记所有组成部分集合为,
,;
给定中的一个元素序列,,,可以包含中全部元素
或仅包含部分元素,则对应问题的一个求解状态,记所有可能的序列集合为
满足约束集的序列集合为,一量;
记问题可行解集为’,。
_,则∈。
∈与之相对应;
记.∈为问题求解过程所处的某一状态,对应部分解的目标函数值
为,,在序列末尾加人新元素,∈后对应求解状态,,对应部分解的目
标函数值为,,则.≤,。
基于以上特性,中人工蚂蚁构造问题解的过程可以描述为在一个完全
图,上的移动过程,中,,,为节点集合,连接节点.和
的边记为,,根据问题特性被赋予不同意义的权系数和浓度为。
的信息素,
,,,,,:
≠为边的集合。
人工蚂蚁从某一节点开始,
根据约束集约束、信息素浓度。
和问题的启发信息,按一定策略选择下一节
点,直至达到一个完整解状态。
蚂蚁在转移过程中同步或延迟地对其所经过边
的信息素浓度进行更新,而每个边上信息素的浓度也会随着时间的推移根据一
定的比例挥发。
..蚁群算法描述
一般来说,基于模型的搜索算法通常使用以下两步迭代来解决优化问题:
可行解通过在解空阳参数化概率分布模型上的搜索产生;
用搜索产生的解来更新参数化概率模型,即更新解空间参数化概率分
布的参数,使得在新模型上的搜索能集中在高质量的解搜索空问内。
在蚁群算法中,基于信息素的解空间参数化概率模型信息素模型以解
构造图的形式给出。
一般而言,用于求解组合优化问题的蚁群算法.
都遵循如下的统一算法框架:
算法.:
设置参数,初始化信息素踪迹
不满足结束条件
蚁群中的每只蚂蚁
每个解构造步直到构造出完整的可行解
幻:
蚂蚁按信息素及启发式信息的指引构造一步问题的解;
:
进行信息素局部更新。
可选
可选
:
以某些已获得的解为起点进行领域局部搜索;
:
根据某些己获得的解的质量进行全局信息素更新。
在该算法中,蚂蚁逐步地构造问题的可行解,在一步解的构造过程中,蚂
蚁以概率方式选择信息素强且启发式因子高的弧到达下一个节点,直到不能继
续移动为止。
此时,蚂蚁走过的路径对应待求解问题的一个可行解。
局部信息
素更新针对蚂蚁当前走过的一步路径上的信息素进行,全局信息素更新是在所
有蚂蚁找到可行解之后,根据新发现解的质量或当『算法找到最好解对路径上
的信息素进行更新。
.蚁群算法的研究现状分析
..蚁群算法的发展
蚁群算法的最早形式是年代初提出的蚁群系统算法
,
并应用在旅行商问题中。
算法被提出之后,其应用范围逐渐广泛,算法
本身也不断被完善和改进,形成了一系列的算法,其主要代表为如下】:
表.几种典型的蚁群算法
上表列出这些蚁群算法的代表性的参考文献,这里主要介绍最初蚁群算法
形式蚂蚁系统和比较成功模型:
最大最小蚂蚁系统、蚁群系统。
蚂蚁系统,
是随着蚁群这个概念提出来的最早算法,首先被成功地运用于问
题。
最核心的部分是对痕迹强度的处理。
若某些支路上痕迹较浓,就更有可
能被蚂蚁选中。
根据痕迹更新方式不同可分为【
:
?
蚁周、
蚁量以及蚁密。
》为:
“’¨
嵋‘骼‘荔赞黜四‘。
。
‘一若第蚂蚁未使用过路径,,’易,,
式中:
为一常数:
为第只蚂蚁的旅行距离。
≯为:
若第只蚂蚁使用过路径‘,
,、
:
』/,,
厶
”
若第只蚂蚁未使用过路径,,
式中:
为一常数:
为路径,的长度。
≯为
若第只蚂蚁使用过路径‘,
.
.
△功若第只蚂蚁未使用过路径,,
他们的区别在于前面一种方法应用全局信息,后面的应用局部信息。
求解
问题时,模型效果较好,一般把它作为蚁群算法的基本模
型。
该算法的复杂度为?
‘,参数,,,卢和一般由实验方
法确定他们的最优组合。
.算法的实现方法如图.所示。
蚂蚁旅行过程中,第只蚂蚁从城市移动到城市,的转换概率定义为:
竹,
.
咏赫材““
。
若,
式中:
一例代表第只蚂蚁时刻之前还没有访问到的城市集合;枷为可见度。
在问题中,蜥//,砂;与‖是用来控制信息素密度和可见度之
间相对重要程度的参数。
信息素更新公式为:
口卜一口∑:
.
式中:
是挥发因子,是蚂蚁数,;是第只蚂蚁释放在路径,
上单位长度信息素的数量。
图.
算法框图
最大最小蚂蚁系统
算法是德国学者和针对提出的一种改进蚁群算法,
其基本思想是:
仅调整最好的个体走过的路径上的信息素,以加快收敛速度;
同时为了防止出现停滞现象,用分支因子衡量群体多
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 群体 智能 及其 分布式 知识 管理 中的 应用 研究