基于LabVIEW平台的SMT贴片机路径优化的说研究.pdf - 第36页

湖北工业大学硕士学位论文ＣＣＦｏｏｄＦｏｏｄ｜ｄ＝ｌ回ＤＡ＼１／．Ｂｃ／彳。太＼／１０锄ｔｓ、ｏ＼Ｎｅｓｔ（ａ）ＡＮｅｓｔ（由ｄ＝ｌＮｅｓｔ（” ＦｏｏｄＣ＼７ｌｏ如忸ｌ！Ｄ。ＡＮ嚣ｔ（ｃ）ＦｏｏｄＮｅｓｔ（ｃ）图４．１蚁群如何找到最优路径Ｄ４．１（ａ）所示，在蚁巢和食物之间有两条路径Ｎｅｓｔ—Ａ—Ｂ—Ｄ—Ｆｏｏｄ和Ｎｅｓｔ—Ａ—Ｂ—Ｃ—Ｆｏｏｄ其长度分别４为…

湖北工业大学硕士学位论文

Ｓｙｓｔｅｍ，ＭＭＡＳ），在解决，等问题时结果要优于一般的ＡＣＯ类算法。一些学者还把

蚂蚁算法与其它的算法相结合。意大利学者Ｆａｂｉｏ，Ａｂｂａｔｔｉｓｔａ等人受遗传算法

的启发，提出蚂蚁算法和遗传算法相结合的混合优化算法。近年来，蚂蚁算法逐

渐被国内学者了解，出现了一些介绍性文献。其后国内学者在蚂蚁算法的应用研

究方面如优化，路由调度等开展了一些工作，提出了一些改进算法，其中有代表

性的主要有：吴庆洪等人提出的具有变异特征的蚂蚁算法ＭＳＡ（Ｍｕｔａｔｉｏｎ

Ａｎｔ

Ｓｙｓｔｅｍ）；陈烨提出的带杂交算子的蚂蚁算法ＣＡＣＳ（Ｃｒｏｓｓｅｄ

Ａｎｔ

Ｃ０１０ｎｙ

Ｓｙｓｔｅｍ）；

郝晋等人提出的具有扰动特性的蚂蚁算法ＳＤＡＳ（Ｓｔｏｃｈａｓｔｉｃ

Ｄｉｓｔｕｒｂｅｄ

Ａｎｔ

Ｓｙｓｔｅｍ）；王颖等人提出的自适应蚂蚁算法ＡＡＳ（Ａｄａｐｔｉｖｅ

Ａｎｔ

Ｓｙｓｔｅｍ）。

蚂蚁算法是一种源于大自然中生物世界的新的仿生进化算法，具有很强的通

用性和鲁棒性，从提出到现在只有短短的十几年时间，但其在离散型组合优化问

题中，表现得很突出，引起了广大学者的关注。自从蚂蚁算法在著名的旅行商求

解ＴＳＰ问题的改进蚂蚁算法问题和工件排序问题上取得成效以来，已陆续渗透到

其它问题领域中，如二次分配问题，ｊｏｂ—ｓｈｏｐ问题、图着色问题、大规模集成电

路设计、通讯网络中的负载问题、网络路由选择、车辆调度问题、机器人视线规

划等等，表现出良好的性能，显示出其强大的生命力和美好的发展潜力。

４．２基本蚁群算法的原理

蚁群算法是对真实蚁群行为研究而提出的。仿生学家经过长期研究发现蚂蚁

虽然没有视觉，但运动时会通过在路径上释放出一种特殊的分泌物一信息素来寻

找路径。，使得一定范围内的其它蚂蚁能够感觉到这种物质，且倾向于朝着该物质

强度高的方向移动，因此，蚁群的集体行为表现为一种信息正反馈现象某条路径

经过的蚂蚁数越多，其上留下的信息量也就越多当然，随时间的推移会逐渐蒸发

掉一部分，后来蚂蚁选择该路径的概率也越高，从而更增加了该路径上信息素的

强度。这样最优路径上的信息量越来越大，而其他路径上的信息量却会随着时间

的流逝而逐渐减少，最终整个蚁群会找出最优路径。在整个寻径过程中，虽然单

只蚂蚁的选择能力有限，但是通过信息素的作用使整个蚁群具有非常高的自组织

性，蚂蚁之间交换着路径信息，最终通过蚁群的集体自催化行为找出最优路径瞳刳。

下面通过图４．１来说明蚁群的搜索原理。

３１

湖北工业大学硕士学位论文

Ｃ

Ｆｏｏｄ

｜ｄ＝ｌ

回

Ｄ

Ａ

＼１

／

．Ｂ

ｃ／

彳。太＼

／

１０锄ｔｓ、ｏ＼

Ｎｅｓｔ

（ａ）

Ａ

Ｎｅｓｔ

（由

ｄ＝ｌ

Ｎｅｓｔ

（”

Ｆｏｏｄ

Ｃ

＼

７

ｌｏ如忸

ｌ！

Ｄ。

Ａ

Ｎ嚣ｔ

（ｃ）

Ｆｏｏｄ

Ｎｅｓｔ

（ｃ）

图４．１蚁群如何找到最优路径

Ｄ

４．１（ａ）所示，在蚁巢和食物之间有两条路径Ｎｅｓｔ—Ａ—Ｂ—Ｄ—Ｆｏｏｄ和

Ｎｅｓｔ—Ａ—Ｂ—Ｃ—Ｆｏｏｄ其长度分别４为６和单位时间内蚂蚁可移动一个单位长度的距

离。开始时所有路径上没有信息素。

４．１（ｂ）在ｔ＝０时刻，２０只蚂蚁从蚁巢出发移动到Ａ，由于所有路径上没有

信息素，它们以相同的概率选择左侧或右侧的道路，则有ｌＯ只蚂蚁走左侧，另外

１０只蚂蚁走右侧。

４．１（ｃ）在ｔ＝４时刻，第一组先到达食物源的蚂蚁将折回。

４．１（ｄ）在ｔ＝５时刻，两组蚂蚁将在点Ｄ相遇，此时ＢＤ上的信息量与上ＣＤ

的信息量相同，因此，返回的１０只蚂蚁中有５只选择ＢＤ，另５只选择ＣＤ。

３２

＼／

＼彩～

Ｄ

，Ａ忏怙

Ｍ州纠

ｔ

缸

＼／

心。／

湖北工业大学硕士学位论文

４．１（ｅ）在ｔ＝７时刻，前５只将返回蚁巢，而在ＡＣ、ＣＤ和ＡＢ上各有只蚂蚁。

４．１（ｆ）在ｔ＝９在时刻，前５只蚂蚁又回到Ａ而且再次面对往左还是往右的

选择，

此时ＡＢ上的信息素量是２０而ＡＣ上的是１５，因此将有较为多数的蚂蚁选择

ＡＢ往右，增强了ＡＢ上的信息素量，随着该过程的继续，两条道路上的信息量的差

距将越来越大，直到所有的蚂蚁都选择了最短路径。

模拟蚂蚂蚁体觅食行为的蚂蚁算法使作为一种新的计算智能模式引入的，该

算法基于如下几种假设：

（１）蚂蚁之间通过信息素和环境进行通信。每只蚂蚁仅根据其周围的局部环境

做出反应，也只对其周围的局部环境产影响。

（２）蚂蚁对环境的反应由其内部模式决定。因为蚂蚁是基因生物，蚂蚁的行为

实际上是其基因的适应性表现，即蚂蚁是反应型适应性主体。

（３）在个体水平上，每只蚂蚁仅根据环境做出独立选择；在群体水平上，单只

蚂蚁的行为是随机的，但蚂蚁可通过自组织过程形成高度有序的群体行为。

由上述假设和分析可见，基本蚂蚁算法的寻优机制包含两个基本阶段㈨：适

应阶段和协作阶段。在适应阶段，各候选解根据积累的信息不断调整自身结构，

路径上经过的蚂蚁越多，信息量越大，则该路径越容易被选择时间越长，信息量

会越小在协作阶段，候选解之间通过信息交流，以期望产生性能更好的解，类似

于学习自动机的学习机制。

蚂蚁算法实际上是一类智能多主体系统，其自组织机制使得蚂蚁算法不需要

对所求问题的每一方面都有详尽的认识，体现了从无序到有序的动态演化。

４．２．１人工蚂蚁的可行性

人工蚂蚁具有双重特性一方面，他们是真实蚂蚁的抽象，具有真实蚂蚁的特

性，另一方面，他们还有一些在真实蚂蚁中找不到的特性，这些新的特性，使人

工蚂蚁在解决实际优化问题时，具有更好地搜索较好解的能力。

人工蚂蚁和真实蚂蚁相同点都是一群相互协作的个体都通过信息素间接通讯

都使用随机状态转移策略人工蚂蚁利用真实蚂蚁觅食行为中的正反馈机制和信息

素的挥发机制．

人工蚂蚁和真实蚂蚁不同点人工蚂蚁生活在离散的世界，从一种离散的状态

到另一种离散的状态人工蚂蚁具有内部状态。即人工蚂蚁具有一定的记忆能力，

能记忆所走过的地方人工蚂蚁释放的信息素量是其生成解的质量的函数人工蚂蚁

更新信息素的时机依赖于特定的问题心钔。

３３