《蚁群算法实验室》流程图

《蚁群算法实验室》流程图
蚁群算法计算主流程（该流程在用户控制下可在
没达到指定循环次数时停止或暂停）
:开始I
目前蚁群算法主要用在组合优化方面，基本蚁群算法的思路是这样的：
1. 在初始状态下，一群蚂蚁外出，此时没有信息素，那么各自会随机的选择一条路径。

2. 在下一个状态，每只蚂蚁到达了不同的点，从初始点到这些点之间留下了信息素，蚂蚁
继续走，已经到达目标的蚂蚁开始返回，与此同时，下一批蚂蚁出动，它们都会按照各条路径上信息素的多少选择路线（selection），更倾向于选择信息素多的路径走（当然也有随机性）。

3. 又到了再下一个状态，刚刚没有蚂蚁经过的路线上的信息素不同程度的挥发掉了(evaporation) ，而刚刚经过了蚂蚁的路线信息素增强(reinforcement) 。

然后又出动一批蚂蚁，重复第 2 个步骤。

每个状态到下一个状态的变化称为一次迭代，在迭代多次过后，就会有某一条路径上的信息素明
显多于其它路径，这通常就是一条最优路径。

关键的部分在于步骤 2 和3：
步骤 2 中，每只蚂蚁都要作出选择，怎样选择呢？
selection 过程用一个简单的函数实现：
蚂蚁选择某条路线的概率=该路线上的信息素辆有可选择路线的信息素之和
假设蚂蚁在i点，p(i,j)表示下一次到达j点的概率，而T (i,j表示ij两点间的信息素，则：P(i,j) = T (i,j)/ 刀T (i)
(如果所有可选路线的信息素之和刀T伸0，即前面还没有蚂蚁来过，概率就是一个[0,1]上的随机值，即随机选择一条路线)
步骤 3 中，挥发和增强是算法的关键所在(也就是如何数学定义信息素的)
evaporation 过程和reinforcement 过程定义了一个挥发因子，是迭代次数k 的一个函数
p (k=1 —lnk/ln(k+1)
最初设定每条路径的信息素T (i,j,0为相同的值
然后，第k+1 次迭代时，信息素的多少
对于没有蚂蚁经过的路线：T (i,j,k+1)= (1—p (k)) T (i,j,k显然信息素减少了
有蚂蚁经过的路线：T (i,j,k+1)= (1 —p (k)) T (i,j*) p (k)/|W| W为所有点的集合
为什么各个函数要如此定义，这个问题很难解释清楚，这也是算法的精妙所在。

如此定义信息素
的挥发和增强，以及路径选择，根据马尔可夫过程( 随机过程之一)能够推导出，在迭代了足够多次
以后，算法能够收敛到最佳路径。