蚁群算法相关概念

蚁群算法，PSO算法以及两种算法可以融合的几种方法蚁群算法(ACO)是受自然界中蚂蚁搜索食物行为的启发，是一种群智能优化算法。

它基于对自然界真实蚁群的集体觅食行为的研究，模拟真实的蚁群协作过程。

算法由若干个蚂蚁共同构造解路径，通过在解路径上遗留并交换信息素提高解的质量，进而达到优化的目的。

蚁群算法作为通用随机优化方法，已经成功的应用于TSP等一系列组合优化问题中，并取得了较好的结果。

但由于该算法是典型的概率算法，算法中的参数设定通常由实验方法确定，导致方法的优化性能与人的经验密切相关，很难使算法性能最优化。

蚁群算法中每只蚂蚁要选择下一步所要走的地方，在选路过程中，蚂蚁依据概率函数选择将要去的地方，这个概率取决于地点间距离和信息素的强度。

(ｔ+ｎ) = (t)+ Δ (ｔ+ｎ)上述方程表示信息素的保留率，1－表示信息素的挥发率，为了防止信息的无限积累，取值范围限定在0～1。

Δ ij 表示蚂蚁k在时间段t到(t +n)的过程中，在i到j的路径上留下的残留信息浓度。

在上述概率方程中，参数α和β:是通过实验确定的。

它们对算法性能同样有很大的影响。

α值的大小表明留在每个节点上信息量受重视的程度，其值越大，蚂蚁选择被选过的地点的可能性越大。

β值的大小表明启发式信息受重视的程度。

这两个参数对蚁群算法性能的影响和作用是相互配合，密切相关的。

但是这两个参数只能依靠经验或重复调试来选择。

在采用蚁群－粒子群混合算法时，我们可以利用PSO对蚁群系统参数α和β的进行训练。

具体训练过程：假设有n个粒子组成一个群落，其中第i个粒子表示为一个二维的向量xi = ( xi1 , xi2 ) , i = 1, 2, ⋯,n，即第i个粒子在搜索空间的中的位置是xi。

换言之，每个粒子的位置就是一个潜在的解。

将xi带入反馈到蚁群系统并按目标函数就可以计算出其适应值，根据适应值的大小衡量解的优劣。

蚁群算法的优点：蚁群算法与其他启发式算法相比，在求解性能上，具有很强的鲁棒性（对基本蚁群算法模型稍加修改，便可以应用于其他问题）和搜索较好解的能力。

蚁群算法是一种基于种群的进化算法，具有本质并行性，易于并行实现。

蚁群算法很容易与多种启发式算法结合，以改善算法性能。

蚁群算法存在的问题：TSP问题是一类经典的组合优化问题，即在给定城市个数和各城市之间距离的条件下，找到一条遍历所有城市且每个城市只能访问一次的总路程最短的路线。

蚁群算法在TSP问题应用中取得了良好的效果，但是也存在一些不足：（1），如果参数，，设置不当，导致求解速度很慢且所得解的质量特别差。

（2），基本蚁群算法计算量大，求解所需时间较长。

（3），基本蚁群算法中理论上要求所有的蚂蚁选择同一路线，该线路即为所求的最优线路；但在实际计算中，在给定一定循环数的条件下很难达到这种情况。

另一方面，在其它的实际应用中，如图像处理中寻求最优模板问题，我们并不要求所有的蚂蚁都找到最优模板，而只需要一只找到最优模板即可。

如果要求所有的蚂蚁都找到最优模板，反而影响了计算效率。

蚁群算法收敛速度慢、易陷入局部最优。

蚁群算法中初始信息素匮乏。

蚁群算法一般需要较长的搜索时间，其复杂度可以反映这一点；而且该方法容易出现停滞现象，即搜索进行到一定程度后，所有个体发现的解完全一致，不能对解空间进一步进行搜索，不利于发现更好的解。

粒子群优化具有相当快的逼近最优解的速度，可以有效的对系统的参数进行优化。

粒子群算法的本质是利用当前位置、全局极值和个体极值3个信息，指导粒子下一步迭代位置。

其个体充分利用自身经验和群体经验调整自身的状态是粒子群算法具有优异特性的关键。

PSO 算法的优势在于求解一些连续函数的优化问题。

PSO算法存在的问题：问题最主要的是它容易产生早熟收敛（尤其是在处理复杂的多峰搜索问题中）、局部寻优能力较差等。

PSO算法陷入局部最小，主要归咎于种群在搜索空间中多样性的丢失。

不同算法的混合模型主要分为两类：（1）全局优化算法与局部优化算法混合；（2）全局优化算法与全局优化算法混合。

纵观各种与PSO 算法相关的混合算法，大多数基本上采用一种策略对其改进，要么与其他算法，要么加入变异操作，同时采用两种策略的混合算法较少。

上述策略中，两者之间有一定的矛盾性，全局算法与局部算法相混合，尽管可以提高局部收敛速度，但也加剧了陷入局部极小的可能；全局算法与全局算法的混合，算法的局部细化能力仍然没有改善。

但如果只加入变异操作，则算法的探测能力得到提高，但也损害了其局部开发能力。

因此如果将局部搜索和变异操作同时混合到PSO算法中，通过适当的调节，发挥各自的优点，提高算法的开发能力，增加变异操作防止算法早熟，来共同提高PSO算法的全局寻优能力。

融合策略：（1）针对蚁群算法初始信息素匮乏的缺点，采用其他算法生成初始信息素分布，利用蚁群算法求精确解，从而提高时间效率和求解精度。

（使用的其他算法的求解结果以什么规则转换成蚁群算法的信息素初值，需要通过多次实验）（2）将其他算法（如遗传算法）引入到蚁群算法系统的每次迭代过程中。

以蚁群系统每一代形成的解作为其他算法的初始种群，然后经过其他算法的多次迭代，试图寻找更好的解，从而加快蚁群系统的收敛速度，提高求解速率。

（3）蚁群算法中α，β的选取往往是通过经验来取得的，而选取不当时会造成算法的性能大大降低，因此可以利用其他算法对蚁群系统参数α，β进行训练。

（4）对于蚁群算法出现过早收敛于非全局最优解以及时间过长的缺点，可以通过使用蚁群算法进行搜索，然后用其他算法对蚁群算法得到的有效路由路径，通过选择、交叉、变异等优化过程，产生性能更优的下一代群体。

（5）PSO算法由于局部寻优能力较差，因此可以在搜索过程中融入确定性局部搜索算法。

蚁群算法百科名片蚁群算法(ant colony optimization, ACO)，又称蚂蚁算法，是一种用来在图中寻找优化路径的机率型算法。

它由Marco Dorigo于1992年在他的博士论文中提出，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。

蚁群算法是一种模拟进化算法,初步的研究表明该算法具有许多优良的性质.针对PID控制器参数优化设计问题,将蚁群算法设计的结果与遗传算法设计的结果进行了比较,数值仿真结果表明,蚁群算法具有一种新的模拟进化优化方法的有效性和应用价值。

目录式方法，该方法具有正反馈、分布式计算和富于建设性的贪婪启发式搜索的特点。

通过建立适当的数学模型，基于故障过电流的配电网故障定位变为一种非线性全局寻优问题。

编辑本段预期的结果：各个蚂蚁在没有事先告诉他们食物在什么地方的前提下开始寻找食物。

当一只找到食物以后，它会向环境释放一种信息素，吸引其他的蚂蚁过来，这样越来越多的蚂蚁会找到食物！有些蚂蚁并没有象其它蚂蚁一样总重复同样的路，他们会另辟蹊径，如果令开辟的道路比原来的其他道路更短，那么，渐渐，更多的蚂蚁被吸引到这条较短的路上来。

最后，经过一段时间运行，可能会出现一条最短的路径被大多数蚂蚁重复着。

编辑本段原理：为什么小小的蚂蚁能够找到食物？他们具有智能么？设想，如果我们要为蚂蚁设计一个人工智能的程序，那么这个程序要多么复杂呢？首先，你要让蚂蚁能够避开障碍物，就必须根据适当的地形给它编进指令让他们能够巧妙的避开障碍物，其次，要让蚂蚁找到食物，就需要让他们遍历空间上的所有点；再次，如果要让蚂蚁找到最短的路径，那么需要计算所有可能的路径并且比较它们的大小，而且更重要的是，你要小心翼翼的编程，因为程序的错误也许会让你前功尽弃。

这是多么不可思议的程序！太复杂了，恐怕没人能够完成这样繁琐冗余的程序。

然而，事实并没有你想得那么复杂，上面这个程序每个蚂蚁的核心程序编码不过100多行！为什么这么简单的程序会让蚂蚁干这样复杂的事情？答案是：简单规则的涌现。

事实上，每只蚂蚁并不是像我们想象的需要知道整个世界的信息，他们其实只关心很小范围内的眼前信息，而且根据这些局部信息利用几条简单的规则进行决策，这样，在蚁群这个集体里，复杂性的行为就会凸现出来。

这就是人工生命、复杂性科学解释的规律！那么，这些简单规则是什么呢？编辑本段下面详细说明：1、范围：蚂蚁观察到的范围是一个方格世界，蚂蚁有一个参数为速度半径（一般是3），那么它能观察到的范围就是3*3个方格世界，并且能移动的距离也在这个范围之内。

2、环境：蚂蚁所在的环境是一个虚拟的世界，其中有障碍物，有别的蚂蚁，还有信息素，信息素有两种，一种是找到食物的蚂蚁洒下的食物信息素，一种是找到窝的蚂蚁洒下的窝的信息素。

每个蚂蚁都仅仅能感知它范围内的环境信息。

环境以一定的速率让信息素消失。

3、觅食规则：在每只蚂蚁能感知的范围内寻找是否有食物，如果有就直接过去。

否则看是否有信息素，并且比较在能感知的范围内哪一点的信息素最多，这样，它就朝信息素多的地方走，并且每只蚂蚁都会以小概率犯错误，从而并不是往信息素最多的点移动。

蚂蚁找窝的规则和上面一样，只不过它对窝的信息素做出反应，而对食物信息素没反应。

4、移动规则：每只蚂蚁都朝向信息素最多的方向移，并且，当周围没有信息素指引的时候，蚂蚁会按照自己原来运动的方向惯性的运动下去，并且，在运动的方向有一个随机的小的扰动。

为了防止蚂蚁原地转圈，它会记住最近刚走过了哪些点，如果发现要走的下一点已经在最近走过了，它就会尽量避开。

5、避障规则：如果蚂蚁要移动的方向有障碍物挡住，它会随机的选择另一个方向，并且有信息素指引的话，它会按照觅食的规则行为。

6、播撒信息素规则：每只蚂蚁在刚找到食物或者窝的时候撒发的信息素最多，并随着它走远的距离，播撒的信息素越来越少。

根据这几条规则，蚂蚁之间并没有直接的关系，但是每只蚂蚁都和环境发生交互，而通过信息素这个纽带，实际上把各个蚂蚁之间关联起来了。

比如，当一只蚂蚁找到了食物，它并没有直接告诉其它蚂蚁这儿有食物，而是向环境播撒信息素，当其它的蚂蚁经过它附近的时候，就会感觉到信息素的存在，进而根据信息素的指引找到了食物。

编辑本段问题：说了这么多，蚂蚁究竟是怎么找到食物的呢？?在没有蚂蚁找到食物的时候，环境没有有用的信息素，那么蚂蚁为什么会相对有效的找到食物呢？这要归功于蚂蚁的移动规则，尤其是在没有信息素时候的移动规则。

首先，它要能尽量保持某种惯性，这样使得蚂蚁尽量向前方移动（开始，这个前方是随机固定的一个方向），而不是原地无谓的打转或者震动；其次，蚂蚁要有一定的随机性，虽然有了固定的方向，但它也不能像粒子一样直线运动下去，而是有一个随机的干扰。

这样就使得蚂蚁运动起来具有了一定的目的性，尽量保持原来的方向，但又有新的试探，尤其当碰到障碍物的时候它会立即改变方向，这可以看成一种选择的过程，也就是环境的障碍物让蚂蚁的某个方向正确，而其他方向则不对。