|
一、算法描述
蚂蚁算法(Ant Colony Optimization, ACO)，又称蚁群算法，是一种用来在图中寻找优化路径的机率型技术。它由Marco Dorigo于1992年在他的博士论文中引入，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。
昆虫世界中，蚂蚁的组成是一种群居的世袭大家庭，我们称之为蚁群。蚂蚁分为世袭制的蚁王（后）和工蚁两种，它们具有高度组织的社会性，彼此沟通不仅可以借助触觉和视觉的联系，在大规模的协调行动中还可以借助外激素（有些书称信息素）之类的信息介质。蚂蚁平时在巢穴附近作无规则行走，一旦发现食物并不立即进食而是将之搬回蚁穴与其他蚂蚁分享，在食物小时则独自搬回蚁穴，否则就回蚁穴搬兵，一路上会留下外激素，食物越大外激素的浓度就越大，越能吸引其他的蚂蚁过去一起搬去食物，这样最终就能将食物全部搬回蚁穴。
设想，如果我们要为蚂蚁设计一个人工智能的程序，那么这个程序要多么复杂呢？首先，要让蚂蚁能够避开障碍物，就必须根据适当的地形给它编进指令让他们能够巧妙地避开障碍物，其次，要让蚂蚁找到食物，就需要让他们遍历空间上的所有点；再次，如果要让蚂蚁找到最短的路径，那么需要计算所有可能的路径并且比较它们的大小，而且更重要的是程序的错误也许会让你前功尽弃。
然而，事实并没有想得那么复杂，每个蚂蚁只做了非常简单的工作：检查某个范围内有无食物，并逐渐向外激素浓的方向运动。每只蚂蚁只关心很小范围内的眼前信息，而且根据这些局部信息利用几条简单的规则进行决策，这样，在蚁群这个集体里，复杂性的行为就会凸现出来。
1．范围规则
蚂蚁观察到的范围是一个方格世界，蚂蚁有一个参数为速度半径（一般是3），那么它能观察到的范围就是3*3个方格世界，并且能移动的距离也在这个范围之内。
2．环境规则
蚂蚁所在的环境是一个虚拟的世界，其中有障碍物，有别的蚂蚁，还有信息素。信息素有两种，一种是找到食物的蚂蚁洒下的食物信息素，一种是找到窝的蚂蚁洒下的窝的信息素。每个蚂蚁都仅仅能感知它范围内的环境信息。环境以一定的速率让信息素消失。
3．觅食规则
在每只蚂蚁能感知的范围内寻找是否有食物，如果有就直接过去。否则看是否有信息素，并且比较在能感知的范围内哪一点的信息素最多，这样，它就朝信息素多的地方走，并且每只蚂蚁多会以小概率犯错误，从而并不是往信息素最多的点移动。蚂蚁找窝的规则和上面一样，只不过它对窝的信息素做出反应，而对食物信息素没反应。
4．移动规则
每只蚂蚁都朝向信息素最多的方向移动。当周围没有信息素指引的时候，蚂蚁会按照自己原来运动的方向惯性地运动下去，且在运动的方向有一个随机的小的扰动。为了防止蚂蚁原地转圈，它会记住最近刚走过了哪些点，如果发现要走的下一点已经在最近走过了，它就会尽量避开。
5．避障规则
如果蚂蚁要移动的方向有障碍物挡住，它会随机地选择另一个方向，并且有信息素指引的话，它会按照觅食的规则行为。
6．播撒信息素规则
每只蚂蚁在刚找到食物或者窝的时候撒发的信息素最多，并随着它走远的距离，播撒的信息素越来越少。
根据这几条规则，蚂蚁之间并没有直接的关系，但是每只蚂蚁都和环境发生交互，而通过信息素这个纽带，实际上把各个蚂蚁之间关联起来了。比如，当一只蚂蚁找到了食物，它并没有直接告诉其他蚂蚁这儿有食物，而是向环境播撒信息素，当其他的蚂蚁经过它附近的时候，就会感觉到信息素的存在，进而根据信息素的指引找到了食物。
二、实现
理解蚁群算法的实质之后，就可以利用计算机语言编写出一个蚁群算法程序来，关键是实现以上介绍的几个规则，下面用Java来实现。
1. 蚂蚁
蚂蚁是蚁群中最小的单位，是所有简单规则应用的最小个体。
public class Ant
{
public Square SQUARE; //蚂蚁所在方格
public Food CARRYING = null; //所搬的食物数
public int ID; //蚂蚁的编号
public boolean HELPING = false; //是否帮忙搬运食物
public void move(int turn)
{
//蚂蚁移动到下一个方格
}
}
2. 范围
蚂蚁所在的方格应该包含附近的方格编号、所含食物数量、蚂蚁数量、外激素的浓度、以及坐标等信息。
public class Square
{ public Square NE; //附近的8个方向的方格
public Square N;
public Square NW;
public Square W;
public Square SW;
public Square S;
public Square SE;
public Square E;
public LinkedList ANTS; //本方格中包含的蚂蚁
public Food FOOD; //本方格中包含的食物数
public Nest NEST; //方格为蚁穴
public Pheromone_1 PHEROMONE_1; //本方格中的外激素含量
public int X; //本方格的坐标
public int Y;
private World WORLD; //所属的环境
public boolean WALL; //是否有障碍物
public Square(int x, int y, World world)
{
FOOD = null;
NEST = null;
PHEROMONE_1 = null;
X = x;
Y = y;
WORLD = world;
WALL = false;
ANTS = new LinkedList();
}
3. 环境
环境是由多个方格组成的，是一个平面，因此用一个方格的二维数组来表示是最合适不过的。
public class World
{
private Square[][] WORLD; //定义环境二维数组
private int WIDTH; //环境的长宽
private int HEIGHT;
private Pheromone_1List P1LIST; //保存所有外激素的列表
public World(Pheromone_1List p1list)
{
this.WIDTH = Settings.WIDTH;
this.HEIGHT = Settings.HEIGHT;
this.P1LIST = p1list;
WORLD = new Square[WIDTH][HEIGHT];
}
4. 觅食规则
移动规则和避障规则：这三种规则全都跟蚂蚁的移动方向有关，并在移动前都要先计算周围方格的外激素浓度，选择外激素浓度最高的方格方向移动。
private Square chooseBestSquare()
{
Square[] square_list = {SQUARE.E, SQUARE.NE, SQUARE.N, SQUARE.NW, SQUARE.W, SQUARE.SW, SQUARE.S, SQUARE.SE};
double current_best_value = 0;
double value = 0;
Square square = SQUARE;
// 选择最好的方格
for(int i=0;i<square_list.length;i++)
{
value = calculateSquareValue(square_list[i]);//计算方格值
if(value > current_best_value)
{
current_best_value = value;
square = square_list[i];
}
}
if(square.ANTS.size() >= Settings.MAXIMUM_NUMBER_OF_ANTS)
{
return SQUARE;
}
return square;
}
private double calculateSquareValue(Square s)
{
double[] thresholds = Settings.THRESHOLDS;
if(s==null || s.WALL) // 方格有障碍物
{
return -100000;
}
// 计算方格中各项参数的值
return s.getFood()*thresholds[0] // 食物
+ s.getPheromone_1() * thresholds[1] // 外激素
}
5. 播撒外激素规则
每只蚂蚁找到食物后会根据食物的数量播撒相应量的外激素，以便其他蚂蚁能够更快得找到这堆食物。
private void putPheromone_1(double amount)
{
if(SQUARE.getPheromone_1() < Settings.PHEROMONE_LIMIT)
SQUARE.addPheromone_1(amount);
}
从以上蚁群算法中各个要素的代码来看，实现蚁群算法并不难。每只蚂蚁并不是像我们想象的需要知道整个环境的信息。它们只关心很小范围内的眼前信息，而且根据这些局部信息利用几条简单的规则进行决策，这样，在蚁群这个集体里，复杂性的行为就会凸现出来。这就是人工生命、复杂性科学解释的规律。
三、结语
上面实现的蚂蚁算法只是大致模拟蚁群的觅食过程，真正的蚂蚁觅食过程远比这个复杂，比如增加蚂蚁搬运食物的距离和数量，蚂蚁在搬运食物发现更大的食物可能会丢弃原有食物，还可以增加蚂蚁搬运食物回蚁穴的最短路径的求解。同时需要注意的是，由于蚁群算法觅食地过程，蚁群算法可能会过早的收敛并陷入局部最优解。当然经过改进算法将会更优，希望能起着“抛砖引玉”的作用，给大家一点启发和思路。
|
