• 蚁群算法（ACO）
  • 蚁群算法可用来旅行商问题、指派问题、Job—shop调度问题、车辆路由问题、图着色问题和网络路由问题等。并且表现出了很大的优越性，因为它分布式特性，鲁棒性（健壮性，稳定鲁棒性和性能鲁棒性）强并且容易与其它算法结合，但是同时也存在这收敛速度慢，容易陷入局部最优（local optimal）等缺点。
  • 蚁群算法的基本原理:
  • 1、蚂蚁在路径上释放信息素。
  • 2、碰到还没走过的路口，就随机挑选一条路走（可用visit集合，防止蚂蚁原地打转）。同时，释放与路径长度有关的信息素（更新信息素）。
  • 3、信息素浓度与路径长度成反比。后来的蚂蚁再次碰到该路口时，就选择信息素浓度较高路径。
  • 4、最优路径上的信息素浓度越来越大。
  • 5、最终蚁群找到最优寻食路径。
  • 参数
  • ALPHA:信息启发因子，值越大，则蚂蚁选择之前走过的路径可能性就越大，值越小，则蚁群搜索范围就会减少，容易陷入局部最优（防止系统演化时间较长）
  • BETA:Beta值越大，蚁群越就容易选择局部较短路径，这时算法收敛速度会加快，但是随机性不高，容易得到局部的相对最优
  • 特点
  • 采用正反馈机制，使得搜索过程不断收敛，最终逼近最优解。
  • 每个个体可以通过释放信息素来改变周围的环境，且每个个体能够感知周围环境的实时变化，个体间通过环境进行间接地通讯。
  • 搜索过程采用分布式计算方式，多个个体同时进行并行计算，大大提高了算法的计算能力和运行效率。
  • 启发式的概率搜索方式不容易陷入局部最优，易于寻找到全局最优解。
  • 补充
  • 城市距离可以用欧氏距离
  • 信息素会挥发，故信息素浓度与经过路径长度成反比