蚁群算法 (ANT COLONY OPTIMIZATION，ACO)是什么？

蚁群算法：来源于蚂蚁寻找食物的过程。

科学家发现：蚂蚁总能发现一条从蚁巢到食物源的最短路径。原因就是：它们会在经过的路途中，留下“信息素” （pheromone）作为标记，用来指导自己的活动轨迹。

图（a）中，有一群蚂蚁。假如左边（Nest）是蚁巢，右边是食物源。这群蚂蚁将会沿着蚁巢和食物源之间的直线路径走。

 

假如在了两点之间，突然出现了一个障碍物（图（b））。那么，这些蚂蚁要做出决策，到底是向左行驶还是向右行驶？

 

因为，当有蚂蚁走过时，它会在它走过的路上，释放出信息素，并且这种信息素会以一定的速率，散发掉。

⚠️：信息素就是蚂蚁之间交流的工具之一。

它后面的蚂蚁，会通过路上信息素的浓度，做出决策。

 

很明显，沿着短边的的路径上的信息素，会越来越浓（图（c）），然后就会吸引越来越多的蚂蚁沿着这条路径行驶（就是最短路径）。

 

蚁群算法就是对蚂蚁的这种行为，进行抽象。

蚁群优化算法已经应用在许多的组合优化问题里面。

比如：第一个蚁群算法，就被应用在「旅行商问题」里面。

内容就是：每只蚂蚁都会沿着城市进行一次往返。 在每个阶段，蚂蚁会根据一些规则，来进行移动，比如：

• 它只能访问每个城市一次；
• 较远的城市，被选中的机会较小（因为可见度visibility小）；
• 在两个城市之间的信息素越强烈，被选择的可能性就越大；
• 如果旅程很短，蚂蚁会在它经过地方，沉积更多的信息素；
• 每次迭代后，信息素的踪迹都会挥发掉。

 

信息素因子：蚂蚁在移动过程中，积累的信息素浓度。

相当于图中每一条边的权值。

启发因子：就是启发式信息，在蚁群搜索过程中的重要程度。

它的值越大，路径选择的随机性会越弱，蚁群更倾向于选择之前走过的路径；

它的值越小，随机性越强，算法很难收敛，找不到最优解。

因为信息素会随时间，不断挥发。

所以信息素挥发因子：表示信息素的消失水平。

它和算法的全局搜索能力和收敛速度有直接的关系。

信息素常数：就相当于 “信息素”。

它的值越大，表示蚂蚁在已经走过的路径上，积累的信息素越快，有助于快速收敛。

算法的基本步骤：

① 步骤1：定义问题。然后数据预处理。初始化参数（比如：蚁群数量、信息素因子、启发因子等参数）。

② 步骤 2：把蚂蚁「随机」放在不同的出发节点。通过计算，指定蚂蚁的下一访问节点，直到遍历完所有的节点。

③ 步骤3：每次迭代完成后，计算所有蚂蚁经过的路线，更新信息素值。路径越短，信息素的浓度越高。

④ 步骤4：判断是否达到最优解，如果没有，从步骤2开始再进行迭代。

⑤ 步骤5：输出全局最优解。