蚁群算法(Ant Colony Algorithm, ACA)简介及其MATLAB实现

目录

算法概述

ACA算法的数学原理

算法步骤

ACA算法特点

补充：启发式算法

旅行商问题（TSP）

ACA的MATLAB实现

---

算法概述

模拟蚂蚁觅食行为设计的算法。讲蚂蚁群觅食的特点抽象出来转化成数学描述。

• 蚁群算法(Ant Colony Algorithm, ACA)由Marco Dorigo于1992年在他的博士论文中首次提出。

• 蚂蚁在寻找食物源时，会在其经过的路径上释放一种信息素，并能够感知其它蚂蚁释放的信息素。信息素浓度的大小表征路径的远近，信息素浓度越高，表示对应的路径距离越短。

• 通常，蚂蚁会以较大的概率优先选择信息素浓度较高的路径，并释放 一定量的信息素，以增强该条路径上的信息素浓度，这样，会形成一个正反馈。最终，蚂蚁能够找到一条从巢穴到食物源的最佳路径，即距离 最短。

• 生物学家同时发现，路径上的信息素浓度会随着时间的推进而逐渐衰减。

• 将蚁群算法应用于解决优化问题，其基本思路为：用蚂蚁的行走路径表示待优化问题的可行解，整个蚂蚁群体的所有路径构成待优化问题的解空间。路径较短的蚂蚁释放的信息素量较多，随着时间的推进，较短 的路径上累积的信息素浓度逐渐增高，选择该路径的蚂蚁个数也愈来愈多。最终，整个蚂蚁会在正反馈的作用下集中到最佳的路径上，此时对应的便是待优化问题的最优解。

类比GA（遗传算法）的交叉、选择、变异，PSO（粒子群算法）的个体、群体极值优化，蚁群算法也有自己的优化策略：正反馈的信息机制、信息素浓度的更新、蚂蚁对能够访问的路径的筛选。

ACA算法的数学原理

关于蚁群算法中释放信息素的特点，定义了三种模型：

第一种模型假设信息素总量一定。信息素浓度和经过路径的长度成反比。

第二种模型中不使用经过的总路径，而仅仅使用相邻城市的路径长度