优化算法（三）—— 蚁群算法(ACO算法)

蚁群算法, ant colony optimization, ACO

 

蚁群算法来源于蚂蚁在寻找食物过程中发现路径的行为

 

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，比如图着色问题、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

 

 

蚁群算法的基本原理 

蚂蚁在行走过程中会释放一种称为“信息素”的物质，用来标识自己的行走路径。

在寻找食物的过程中，根据信息素的浓度选择行走的方向，并最终到达食物所在的地方。

信息素会随着时间的推移而逐渐挥发。

 

例如，在蚁穴中有两只蚂蚁，1号蚂蚁和2号蚂蚁。从蚁穴到食物有两条路可走，A->B和A->C->B。两只蚂蚁分别选了一条路。

当1号蚂蚁到达B点的时候，2号蚂蚁已经从B返回到A点了。蚂蚁在走的过程中释放信息素。那么此时,AB路有2倍的信息素(小于2倍，因为挥发)，BC有1倍的信息素，AC有小于1倍的信息素。

那么，此时位于B点的1号蚂蚁，从B返回A是选择那条路呢？自然是选择信息素浓度高的AB，这样同时又给AB路增加了信息素浓度，再之后的蚂蚁从A到B，就只会选择AB路了，而不会再选择AC-CB路了

 

算法特点

①自组织的算法

②并行的算法

每只蚂蚁搜索的过程彼此独立，仅通过信息激素进行通信。
在问题空间的多点同时开始进行独立的解搜索，不仅增加了算法的可靠性，也使得算法具有较强的全局搜索能力。

③正反馈的算法

      蚂蚁能够最终找到最短路径，直接依赖于最短路径上信息激素的堆积，而信息激素的堆积却是一个正反馈的过程。

      正反馈是蚂蚁算法的重要特征，它使得算法演化过程得以进行。