人工智能：蟻群算法概述

蟻群算法

在自然界中各種生物群體顯現出來的智能近幾十年來得到了學者們的廣泛關注，學者們通過對簡單生物體的群體行為進行模拟，進而提出了群智能算法。其中，模拟蟻群覓食過程的蟻群優化算法（Ant Colony Optimization，ACO）和模拟鳥群運動方式的粒子群算法（Particle Swarm Optimization，PSO）是兩種最主要的群智能算法。

蟻群算法是一種源于大自然生物世界的新的仿生進化算法，由意大利學者M. Dorigo，V. Maniezzo和A. Colorni等人于20世紀90年代初期通過模拟自然界中螞蟻集體尋徑行為而提出的一種基于種群的啟發式随機搜尋算法。螞蟻有能力在沒有任何提示的情形下找到從巢穴到食物源的最短路徑，并且能随環境的變化，适應性地搜尋新的路徑，産生新的選擇。其根本原因是螞蟻在尋找食物時，能在其走過的路徑上釋放一種特殊的分泌物——資訊素（也稱外激素），随着時間的推移該物質會逐漸揮發，後來的螞蟻選擇該路徑的機率與當時這條路徑上資訊素的強度成正比。當一條路徑上通過的螞蟻越來越多時，其留下的資訊素也越來越多，後來螞蟻選擇該路徑的機率也就越高，進而更增加了該路徑上的資訊素強度。而強度大的資訊素會吸引更多的螞蟻，進而形成一種正回報機制。通過這種正回報機制，螞蟻最終可以發現最短路徑。

最早的蟻群算法是螞蟻系統（Ant System，AS），研究者們根據不同的改進政策對螞蟻系統進行改進并開發了不同版本的蟻群算法，并成功地應用于優化領域。用該方法求解旅行商（TSP）問題、配置設定問題、工廠中的房間作業排程（job-shop）問題，取得了較好的試驗結果。蟻群算法具有分布式計算、無中心控制和分布式個體之間間接通信等特征，易于與其他優化算法相結合，它通過簡單個體之間的協作表現出了求解複雜問題的能力，已被廣泛應用于求解優化問題。蟻群算法相對而言易于實作，且算法中并不涉及複雜的數學操作，其處理過程對計算機的軟硬體要求也不高，是以對它的研究在理論和實踐中都具有重要的意義。

目前，國内外的許多研究者和研究機構都開展了對蟻群算法理論和應用的研究，蟻群算法已成為國際計算智能領域關注的熱點課題。雖然目前蟻群算法沒有形成嚴格的理論基礎，但其作為一種新興的進化算法已在智能優化等領域表現出了強大的生命力。

參考文獻

《智能優化算法及其MATLAB執行個體》，包子陽，電子工業出版社。