关于算法.

导师让找点蚁群算法相关的文章看看。

不过师兄说这个没搞头，推荐看：病毒算法和量子通信。

是好是坏，自己想还是都了解一下。顺便锻炼下自己的编程能力。

=======================================

蚁群算法

选中某个城市的概率是本身提供的启发信息与路径残留信息量的函数

ant-cycle --- 全局信息
算法：
一个循环，遍历完所有目标（城市）结束循环，判断是否为最优.一个表存放访问过的目标（城市）

aco 蚁群算法优化 --- TSP问题（旅行商问题）

as --- ant system
优点：
1.正反馈，迅速找到最优办法
2.分布式计算避免过早收敛
3.成功运用于可以被表达为图表上寻找最佳路径的问题

acs --- ant colony system
与as不同：
1.寻找最佳路径过程中只使用局部信息，即采用局部信息对外激素浓度调整
2.所有进行寻优的蚂蚁结束路径后，再调整一次浓度，这次则使用全局信息
3.使用一个状态传递机制，知道最初蚂蚁的寻优过程，并积累问题目前状态

MMAS（max-min ant system）--- 目前解决TSP QAP最好的ACO类算法
1.类似ACS，只对最佳路径增加外激素的浓度
2.避免算法过早收敛于并非全局最优的解，将各路径可能的外激素浓度限制于[t.min,t.max]，超过这个范围的将被强制设置为t.min或t.max。避免某条路径信息量远大于其它路径，使得所有蚂蚁都集中在这一条路径上。

从而使算法不再扩散，不会去寻找更好的路径，结果只得到局部最优解。
通常各条路径的外激素起始浓度为t.max，便于更加充分地寻优。

具有变异特征的蚁群算法 --- 变异算子

自适应蚁群算法 --- 对比MMAS算法

进化方向已经确定后（前提），对路径信息量进行调整，缩小最好和最差路径上

的信息量差距，并适当加大随机选择范围。

克服速度慢、以及局部最优算法的缺陷

=======================================

搜集了几篇与光网络有关的any colony文章，已经几篇IEEE上关于AON的文章。这将是最近的阅读目标