轻松解读仿生学最优化算法（二）——蚁群算法

蚁群算法简单解读

1.仿生学背景

蚂蚁在寻找食物的过程中，会在经过的道路上留下信息素。

起初蚂蚁不知道食物在哪儿，于是在经过的道路上留下浓度一致的信息素。在同样的时间内，绕远路的蚂蚁和走近路的蚂蚁消耗了等量的信息素，等量的信息素均匀分布在道路上，自然是近路上的信息素浓度更高。

当下一只蚂蚁寻找食物的时候，就会主动选择信息素浓度高的路，并留下新的信息素，使之浓度更高。而那些远路上的信息素就会因为很少有蚂蚁经过逐渐淡去。可见，蚂蚁寻路是一个正反馈网络，最终蚁群将找到最近的道路。

2.算法关键

• 每个个体都代表一条道路，个体对应的目标函数值即为道路的信息素浓度。
• 个体的运动距离随信息素浓度而定。若该个体的信息素浓度与最大浓度相差甚远，则需往任意方向迈一大步。若相差无几，则只需迈一小步。
• 如果运动后该个体的信息素浓度反而变小了，则视作无效，需重新运动。
• 运动的高度随机性使得结果不局限于局部最优值。
• 该算法是一个循环过程，每一次循环都使所有的个体运动一次。

3.算法简明流程

1. 首先随机产生N个初始个体，使之随机分布在函数的可行域上。
2. 然后计算每个个体的初始信息素浓度，即个体对应的目标函数值，并记录最大浓度值。
3. 移动每个个体。若该个体信息素浓度与最大浓度相差甚远，则进行一次大调整（如x=x+max_step*(rand(1)-0.5)），反之则进行一次小调整（如x=x+min_step*(rand(1)-0.5)）。运动完毕后，检查新位置的信息素浓度是否大于原位置，若不大于则重新调整。
4. 所有的个体都有效的移动一次后，刷新每个个体的信息素浓度，并记录新的最大浓度值。
5. 重复移动，直到最大浓度值满足预设要求。