蚁群算法优缺点及改进方法

蚁群算法是macro dorigo在1992年博士论文中所阐述的图中寻找最优路径的算法，他是自然蚂蚁群在觅食过程中搜索路径的模拟。蚁群算法具有分布式计算、无中心控制和分布式固溶体之间间接通信等特征，易于与其他优化算法相结合，它通过简单个体之间的写作表现出求解复杂问题的能力，被广泛运用于求解优化问题。蚁群算法不涉及复杂的数学操作，其处理过程对计算机的软件硬件要求也不高，因此对他的研究在理论和实践中都具有重要意义。

1、缺点

（1）收敛速度慢。蚁群算法中信息素初值相同，选择下一个节点时倾向于随机选择。虽然随机选择能探索更大的任务空间，有助于找到潜在的全局最优解，但是需要较长时间才能发挥正反馈的作用，导致算法初期收敛速度较慢。

（2）局部最优问题。蚁群算法具有正反馈的特点，初始时刻环境中的信息素完全相同，蚂蚁几乎按随机方式完成解的构建，这些解必然会存在优劣之分。在信息素更新时，蚁群算法在较优解经过的路径上留下更多的信息激素，而更多的信息激素又吸引了更多的蚂蚁，这个正反馈的过程迅速地扩大初始的差异，引导整个系统向最优解的方向进化。虽然正反馈使算法具有较好的收敛速度，但是如果算法开始得到的较优解为次优解， 那么正反馈会使次优解很快占据优势，使算法陷入局部最优，且难以跳出局部最优。

（3）优化能力问题。蚁群算法中参数众多并且具有一定的关联性，虽然蚁群算法在很多领域都有广泛应用，但是参数选择更多是依赖经验和试错，不恰当的初始参数会减弱算法的寻优能力。当进行路径规划时，为避免形成环形路径或者重复访问某些节点在算法中设置禁忌表，但是禁忌表很容易造成“死锁”现象，减少种群中的有效蚂蚁数量，降低算法的优化效率。

（4）种群多样性与收敛速度的矛盾。种群多样性对应于候选解在问题空间的分布。个体分布越均匀，种群多样性就越好，得到全局最优解的概率就越大，但是寻优时间就越长；个体分布越集中，种群多样性就越差，不利于发挥算法的探索能力。正反馈加快了蚁群算法的收敛速度，却使算法较早地集中于部分候选解，因此正反馈降低了种群的多样性，也不利于提高算法的全局寻优能力。

2、单蚁群算法的改进

主要从以下几个方面：

1. 蚁群算法的结构改进 
2. 蚁群算法的参数优化 
3. 信息素初始化方法的改进 
4. 信息素更新规则的改进 

3、关键参数分析 

信息素启发因子： α 
        其值越大，蚂蚁在选择以前走过的路径的可能性就越大，搜索的随机性就会减弱；而当启发式因子 α 的值过小时，则易使蚁群的搜索过早陷于局部最优。根据经验，信息素启发式因子 α 取值范围一般为 [1，4]时，蚁群算法的综合求解性能较好。
启发式因子： β
        期望启发因子 β 表示在搜索时路径上的信息素在指导蚂蚁选择路径时的向导性。期望启发因子 β 的值越大，蚂蚁在某个局部点上选择局部最短路径的可能性就越大，虽然这个时候算法的收敛速度得以加快，但蚁群搜索最优路径的随机性减弱，而此时搜索易于陷入局部最优解。根据经验，期望启发因子 β 取值范围一般为[3，5]，此时蚁群算法的综合求解性能更好。
信息素蒸发系数： ρ
        信息素蒸发系数 ρ 大小的选择将直接影响到整个蚁群算法的收敛速度和全局搜索性能。ρ 表示信息素蒸发系数，1-ρ 则表示信息素持久性系数。因此，ρ的取值范围应该是0～1之间的一个数
ρ 过小时，则表示以前搜索过的路径被再次选择的可能性过大，会影响到算法的随机性能和全局搜索能力；ρ 过大时，说明路径上的信息素挥发的相对变多，虽然可以提高算法的随机搜索性能和全局搜索能力，但过多无用搜索操作势必会降低算法的收敛速度。
蚂蚁数目： m 
        蚂蚁数目增大后，会使大量的曾被搜索过的解（路径）上的信息素变得趋于平均，信息正反馈的作用不明显。虽然搜索的随机性得到了加强，但收敛速度减慢。反之，（蚂蚁数量少），特别是当要处理的问题规模比较大时，会使那些从来未被搜索到的解（路径）上的信息素减小到接近于0，搜索的随机性减弱，虽然收敛速度加快了，但会使算法的全局性能降低，算法的稳定性差，容易出现过早停滞现象。
m  一般取 10 ～ 50
信息素强度： Q 
        参数 Q  不必作特别的考虑，可以任意选取。
最大进化代数：G
        一般 G 取 100 ∼ 500