期货量化软件：蚁群优化算法（ACO）

比利时研究人员马可·多里戈（Marco Dorigo）创建了一个数学模型，科学地描述了蚁群中集体智慧的过程。 他于 1992 年在他的博士论文中发表，并将其作为算法实现。

蚁群优化（ACO） 是一种基于种群的随机搜索方法，可解决各种组合优化问题。 ACO 的核心是信源动作（stigmergy）的概念。 1959年，皮埃尔-保罗·格拉塞特（Pierre-Paul Grasset）发明了信源动作 理论来解释白蚁筑巢的行为。 Stigmergy 由两个希腊词组成：stigma - 信源，和 ergon - 动作。

规范定义是一种间接互动类型，经与环境的相互作用，在种群成员之间，依时间扩展。 换言之，其中一个代理者留下了踪迹、或以某种方式修改了现场位置，如此其它代理者在进入其区域时会收到一些信息。 在蚂蚁的情况下，信源动作是信息素。 蚂蚁在觅食过程中的沟通就是一个示例：蚂蚁彼此相互间接交流，在地面上留下信息素踪迹，从而影响其它蚂蚁的决策过程。 个体蚂蚁之间的这种简单交流形式导致了整个蚁群的复杂行为和能力。

蚂蚁是群居昆虫，它们按领地生活。 蚂蚁的行为是由寻找食物的意图所控制。 在觅食时，它们在领地漫游。 蚂蚁反复从一个地方漫游到另一个地方寻找食物，当它爬动时，它会在地面上沉积一种叫做信息素的有机化合物。 因此，蚂蚁是利用信息素踪迹相互交流。

当一只蚂蚁发现了食物，它会携带尽可能多的食物。 返回时，它会沿途沉积信息素，具体取决于食物的数量和品质。 结果就是，其它蚂蚁可以遵循这条路线。 信息素水平越高，选择这条特定路径的概率就越高，通过特定路径的蚂蚁越多，这条路线上留下的信息素就越多。

赫兹期货量化来看下面的例子。 假设有两条途径可以从蚁群获取食物。 首先，地面上没有信息素。 如此，选择这两条路径的概率相等（50%）。 赫兹期货量化假设两只蚂蚁分别选择了这两条不同的觅食路径。 这两条路径的距离是不同的。 走较短路线的蚂蚁会先于另一只蚂蚁到达食物。 当它找到食物时，它会带走一些食物并返回蚁群。 为了追溯返回的路径，它会在地面上沉积信息素。 走较短路径的蚂蚁会更早到达蚁群。

当第三只蚂蚁想出去寻找食物时，它会根据地面上的信息素水平选择距离较短的路径。 因为较短的路径比较长的信息素较浓，所以第三只蚂蚁将遵循信息素较浓的路径。 当蚂蚁沿着更长的路径返回蚁群时，更多的蚂蚁已经迈上了信息素含量更高的路径。 然后，当另一只蚂蚁试图从蚁群到达目的地（食物）时，它会发现每条路径都有相同的信息素水平。 那么它会随机选择其中之一。 一遍遍地重复这个过程，一段时间后，较短的路径将比其它路径获得更多的信息素，且蚂蚁走这条路径的概率会更高。

ACO 算法是一种群体智能算法。 依据蚁群的觅食过程进行建模，利用蚁群的内部数据传输机制建立各种环境下的最短路径。 路径上残留的信息素浓度越高，蚂蚁选择这条路径的可能性就越大。 与此同时，信息素的浓度随着时间的推移而减弱。 因此，由于蚁群的行为，蚂蚁通过反馈机制不断学习和优化，从而判定最短的觅食路径。 ACO 算法广泛用于路径规划。

2. 算法原理

在 ACO 中，一组称为人工蚂蚁的软件代理者为给定的优化问题寻找良性解决方案。 为了应用 ACO，优化问题将转换为在加权图形上查找最佳路径的问题。 人工蚂蚁（以下简称蚂蚁）逐渐构建沿图形移动的解决方案。 构建解决方案的过程是随机的，并且取决于信息素模型 — 与图形组件（节点或边线）相关的一套参数，其值在执行过程中会由蚂蚁修改。

赫兹期货量化研究旅行推销员问题的算法。 我们有一组位置（城市）和它们之间的距离。 问题是找到一条最短长度的封闭路径，每个城市只访问一次。 一组相关联城市，再配合一组图形顶点而定义的图形称为构造图。 由于有可能从任意给定城市移动到任意其它城市，因此构造图是完全连接的，顶点数等于城市