应用篇-第11章-蚁群算法的仿真与实现
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第11章 蚁群算法的仿真与实现
蚁群算法是近年来兴起的一种新型仿生优化算法，具有其他 进化算法不可比拟的优势。该算法是继神经网络、遗传算法、 模拟退火算法、粒子群算法、免疫算法等仿生搜索算法以后 的又一种应用于组合优化问题的启发式搜索算法。由于蚁群 算法采用分布式并行计算机制，具有较强的鲁棒性，容易与 其它算法结合等优点，一经提出，立即受到各个领域学者的 重视，展开了对其的研究。目前蚁群算法已经被广泛的应用 于求解旅行商问题，自动组卷系统问题等等、本章则对于这 两个问题做出了详细的阐述。
t+n 1 ij t ij t
k ij t ij t k 1 m
式中，ρ表示信息素挥发系数，则1-ρ表示信息素残留因子，为了防止信息的无 限积累，ρ的取值范围为：ρ⊂[0,1]；ΔГij(t)表示本次循环中路径(i,j)上的信息 素增量，初始时刻ΔГij(0) =0，ΔГijk(t)表示第k只蚂蚁在本次循环中留在路径 (I,j)上的信息量。 根据信息素更新策略的不同，Dorigo M提出了三种不同的基本蚁群算法模型， 分别称之为Ant-Cycle模型、Ant-Quantity模型及Ant-Density模型，其差别在于 ΔГijk(t)求法的不同。
11.2.5
寻找路径的抽象
真实蚂蚁在觅食过程中主要按照所处环境中的信息量来决定其前进 的方向，而人工蚂蚁是在平面的节点上运动的，因此可把觅食过程 抽象成算法中解的构造过程，将信息素抽象为存在于图的边上的轨 迹。在每一节点，人工蚂蚁感知连接该节点与相邻节点边上的信息 素轨迹浓度，并根据该浓度大小决定走向下一节点的概率。用任意 两个节点分别表示蚂蚁的巢穴（初始节点）和食物源（目标节点）， 人工蚂蚁从初始节点按照一定状态转移概率选择下一节点，依此类 推，最终选择行走到目标节点，这样便得到了所求问题的一个可行 解。
蚁群算法是从自然界中真实蚂蚁觅食的群体行为得到启发而 提出的，其很多观点都来源于真实蚁群，因此算法中所定义 的人丁蚂蚁与真实蚂蚁存在如下共同点。 （1）都存在一个群体中个体相互交流通信的机制
（2）都要完成一个相同的任务
（3）利用当前信息进行路径选择的随机选择策略
在从真实蚁群行为获得启发而构造蚁群算法的过程中，人工蚂蚁还 具备了真实蚂蚁所不具有的一些特性：
11.1 蚁群算法介绍
生物学家通过对蚂蚁的长期观察研究发现，每只蚂蚁的智能并不 高，看起来没有集中的指挥，但它们却能协同工作，集中食物， 建起坚固漂亮的蚁穴并抚养后代，依靠群体能力发挥出超出个体 的智能。蚁群算法(ant colony opHale Waihona Puke Baiduimization, ACO) 是最新发展的 一种模拟昆虫王国中蚂蚁群体智能行为的仿生优化算法。它具有 较强的鲁棒性、优良的分布式计算机制、易于与其他方法相结合 等优点尽管蚁群算法的严格理论基础尚未奠定，国内外的相关研 究还处于实验探索和初步应用阶段，但是目前人们对蚁群算法的 研究已经由当初单一的旅行商问题(traveling salesman problem， TSP)领域渗透到了多个应用领域，由解决一维静态优化问题发展 到解决多维动态组合优化问题，由离散域范围内的研究逐渐拓展 到了连续域范围内的研究，而且在蚁群算法的硬件实现上也取得 了很多突破性的研究进展，从而使这种新兴的仿生优化算法展现 出勃勃生机和广阔的发展前景。
a r t . t ij ik , 若j allowed k n a k pij t is t . ik t s allowedk 0 , 否则
式中，allowedk=(C-tabuk）表示蚂蚁k下一步允许选择的城市；α为 信息启发式因子，表示轨迹的相对重要性，反映了蚂蚁在运动过 程中所积累的信息在蚂蚁运动时所起的作用，其值越大，则该蚂 蚁越倾向于选择其他蚂蚁经过的路径，蚂蚁之间协作性越强；β为 期望启发式因子，表示能见度的相对重要性，反映了蚂蚁在运动 过程中启发信息在蚂蚁选择路径中的受重视程度，其值越大，则 该状态转移概率越接近于贪心规则；ηij(t)为启发函数，其表达式 如下
11.2.3
对蚂蚁个体的抽象
由于蚁群算法是对自然界中真实蚂蚁觅食行为的一种模拟， 是一种机理上的应用，因此首先必须对真实蚂蚁进行抽象， 而不可能也没必要对蚂蚁个体进行完全再现。抽象的目的就 是为了能够更加有效地刻画出真实蚁群中能够为算法所借鉴 的机理，同时摒弃与建立算法模型无关的因素。这样抽象出 来的人工蚂蚁可以看做是一个简单的智能体，能够完成所求 问题简单解的构造过程，也能通过一种通信手段相互影响。
在Ant-Cycle模型中
Q k ij t Lk 0 ， 若第k只蚂蚁在本次循环中经过（i,j） , 否则
式中，Q表示信息强度，它在一定程度上影响算法的收敛速度；Lk表示第k只蚂蚁 在本次循环中所走路径的总长度。
在Ant-Quantity模型中
Q k ij t = d ij 0 , , 若第k只蚂蚁在 t 和 t 1之间经过（i，j ） 否则
11.2.7
启发因子的引入
以上几点是对真实蚂蚁觅食行为的抽象，整个过程体现了蚁群算法的自组 织性，但是这种自组织系统存在一个缺陷，即系统的演化需要耗费较长的 时间。而实际应用时对算法运行时间的要求也是必不可少的，因此在决定 蚂蚁行走方向的状态转移概率时，引入了一个随机搜索的过程，即引入了 启发因子，根据所求问题空间的具体特征，给蚁群算法一个初始的引导， 这个过程极大地增加了算法的时间有效性，从而使蚁群算法的有效应用成 为可能。 以上几点是对真实蚂蚁觅食行为的抽象，整个过程体现了蚁群算法的自组 织性，但是这种自组织系统存在一个缺陷，即系统的演化需要耗费较长的 时间。而实际应用时对算法运行时间的要求也是必不可少的，因此在决定 蚂蚁行走方向的状态转移概率时，引入了一个随机搜索的过程，即引入了 启发因子，根据所求问题空间的具体特征，给蚁群算法一个初始的引导， 这个过程极大地增加了算法的时间有效性，从而使蚁群算法的有效应用成 为可能。
蚁群算法具有很强的自学习能力，可根据环境的改变和过去的行 为结果对自身的知识库或自身的组织结构进行再组织，从而实现 算法求解能力的进化，而这种进化是环境变化与算法自学习能力 交互作用的产物，同时算法机理的复杂性和环境变化的不确定性 进一步增加了蚁群算法的不可预测性。
11.3 基本蚁群算法的数学模型
11.2 蚁群算法原理
11.2.1 蚁群行为描述
根据仿生学家的长期研究发现：蚂蚁虽没有视觉，但运动时会通过在路 径上释放出一种特殊的分泌物——信息素来寻找路径。当它们碰到～个还 没有走过的路口时，就随机地挑选一条路径前行，同时释放出与路径长 度有关的信息素。蚂蚁走的路径越长，则释放的信息量越小。当后来的 蚂蚁再次碰到这个路口的时候，选择信息量较大路径的概率相对较大， 这样便形成了一个正反馈机制。最优路径上的信息量越来越大，而其他 路径上的信息量却会随着时间的流逝而逐渐消减，最终整个蚁群会找出 最优路径。同时蚁群还能够适应环境的变化，当蚁群的运动路径上突然 出现障碍物时，蚂蚁也能很快地重新找到最优路径。可见，在整个寻径 过程中，虽然单只蚂蚁的选择能力有限，但是通过信息素的作用使整个 蚁群行为具有非常高的自组织性，蚂蚁之间交换着路径信息，最终通过 蚁群的集体自催化行为找出最优路径。
设hi(t)表示t时刻位于元素i的蚂蚁数目，Гij(t)n 为，时刻路径(i,j)上的信息量，n表 示TSP规模，m为蚁群中蚂蚁的总数目，则 m= bi t ; ij t | ci , c j C
i 1
是t时刻集合C中元素（城市）两两连接lij上残留信息量的集合。在初始时刻各条路 径上信息量相等，并设rij(0)=const，基本蚁群算法的寻是通过有向图g=(C,L,Г)实现 的。
11.2.4
问题空间的描述
自然界中的真实蚂蚁存在于一个三维的环境中，而问题空间的求解一般 是在平面内进行的，因此需要将蚂蚁觅食的三维空间抽象为一个平面。 这一点比较容易理解，因为蚂蚁觅食所走的路径本来就存在于一个二维 空间（平面或者曲面）上。另外一个问题是真实蚂蚁是在一个连续的二 维平面中行走的，而我们无法用计算机直接来完整的描述一个连续的平 面，因为计算机处理的是离散事件，因此必须将连续的平面离散化由一 组点组成的离散平面，人工蚂蚁可在抽象出来的点上自由运动。这个抽 象过程的可行性在于，尽管蚂蚁是在连续平面行动，但其行动经过的总 是离散点，因此抽象过程只是提高了平面点离散分布的粒度，与其觅食 行为的本身机理没有任何冲突。 基于上述分析，很容易得到蚁群算法所求解的问题空间可用一个重要的 数学工具——图( graph)来描述。在工程实际中的很多问题都可以用图来 描述，这便使蚁群算法的广泛应用成为可能。
1 ij t dij
式中，dij表示相邻两个城市之间的距离。对蚂蚁k而言，dij越小， 则ηij(t)越大，pkij(t)也就越大。显然，该启发函数表示蚂蚁从元 素（城市）j转移到元素（城市）j的期望程度。
为了避免残留信息素过多引起残留信息淹没启发信息，在每只蚂蚁走完一步或 者完成对所有n个城市的遍历（也即一个循环结束）后，要对残留信息进行更 新处理。这种更新策略模仿了人类大脑记忆的特点，在新信息不断存人大脑的 同时，存储在大脑中的旧信患随着时间的推移逐渐淡化，甚至忘记。由此， t+n时刻在路径(i,j)上的信息量可按如下规则进行调整
11.2.2
基本蚁群算法的机制原理
模拟蚂蚁群体觅食行为的蚁群算法是作为一种新的计算智能 模式引入的，该算法基于如下基本假设： （1）蚂蚁之间通过信息素和环境进行通信。每只蚂蚁仅根 据其周围的局部环境做出反应，也只对其周围的局部环境产 生影响。 （2）蚂蚁对环境的反应由其内部模式决定。因为蚂蚁是基 因生物，蚂蚁的行为实际上是其基因的适应性表现，即蚂蚁 是反应型适应性主体。 （3）在个体水平上，每只蚂蚁仅根据环境做出独立选择； 在群体水平上，单只蚂蚁的行为是随机的，但蚁群可通过自 组织过程形成高度有序的群体行为。
蚂蚁k(k=l,2,…,m)在运动过程中，根据各条路径上的信息量决定其转移方 向。这里用禁忌表tabuk(k=l,2,…,m)来记录蚂蚁k当前所走过的城市，集合随 着tabuk进化过程作动态调整。在搜索过程中，蚂蚁根据各条路径上的信息量 及路径的启发信息来计算状态转移概率。pkij(t)表示在t时刻蚂蚁k由元素（城 市）i转移到元素（城市）j的状态转移概率
11.2.6
信息素挥发的抽象
自然界中的真实蚂蚁总是在所经路径上连续不断地留下信息素，而 信息素也会随着时间的推移而连续不断地挥发。由于计算机处理的 事件只能是离散事件，所以必须使信息素的挥发离散发生。通常的 做法是，当蚂蚁完成从某一节点到下一节点的移动后，即经过一个 时间单位之后，进行一次信息素的挥发，而这种在离散时间点进行 信息素挥发的方式与蚂蚁觅食过程的机理是完全相符的。
(1) 人工蚂蚁存在于一个离散的空间中，它们的移动是从一个状态到另一 个状态 的转换；
(2) 人工蚂蚁具有一个记忆其本身过去行为的内在状态；
(3) 人工蚂蚁存在于一个与时间无关联的环境之中； (4) 人工蚂蚁不是完全盲从的，它还受到问题空间特征的启发。例如有的 问题中 人工蚂蚁在产生一个解后改变信息量，而有的问题中人工蚂蚁每作出 一步选择 就更改信息量，但无论哪种方法，信息量的更新井不是随时都可 进行的； (5) 为了改善算法的优化效率，人工蚂蚁可增加一些性能，如预测未来、 局部优化、回退等，这些行为在真实蚂蚁中是不存在的。在很多具体应用中， 人工蚂 蚁可在局部优化过程中相互交换信息，还有一些改进蚁群算法中的人 工蚂蚁可 实现简单预测。
蚁群算法是近年来兴起的一种新型仿生优化算法，具有其他 进化算法不可比拟的优势。该算法是继神经网络、遗传算法、 模拟退火算法、粒子群算法、免疫算法等仿生搜索算法以后 的又一种应用于组合优化问题的启发式搜索算法。由于蚁群 算法采用分布式并行计算机制，具有较强的鲁棒性，容易与 其它算法结合等优点，一经提出，立即受到各个领域学者的 重视，展开了对其的研究。目前蚁群算法已经被广泛的应用 于求解旅行商问题，自动组卷系统问题等等、本章则对于这 两个问题做出了详细的阐述。
t+n 1 ij t ij t
k ij t ij t k 1 m
式中，ρ表示信息素挥发系数，则1-ρ表示信息素残留因子，为了防止信息的无 限积累，ρ的取值范围为：ρ⊂[0,1]；ΔГij(t)表示本次循环中路径(i,j)上的信息 素增量，初始时刻ΔГij(0) =0，ΔГijk(t)表示第k只蚂蚁在本次循环中留在路径 (I,j)上的信息量。 根据信息素更新策略的不同，Dorigo M提出了三种不同的基本蚁群算法模型， 分别称之为Ant-Cycle模型、Ant-Quantity模型及Ant-Density模型，其差别在于 ΔГijk(t)求法的不同。
11.2.5
寻找路径的抽象
真实蚂蚁在觅食过程中主要按照所处环境中的信息量来决定其前进 的方向，而人工蚂蚁是在平面的节点上运动的，因此可把觅食过程 抽象成算法中解的构造过程，将信息素抽象为存在于图的边上的轨 迹。在每一节点，人工蚂蚁感知连接该节点与相邻节点边上的信息 素轨迹浓度，并根据该浓度大小决定走向下一节点的概率。用任意 两个节点分别表示蚂蚁的巢穴（初始节点）和食物源（目标节点）， 人工蚂蚁从初始节点按照一定状态转移概率选择下一节点，依此类 推，最终选择行走到目标节点，这样便得到了所求问题的一个可行 解。
蚁群算法是从自然界中真实蚂蚁觅食的群体行为得到启发而 提出的，其很多观点都来源于真实蚁群，因此算法中所定义 的人丁蚂蚁与真实蚂蚁存在如下共同点。 （1）都存在一个群体中个体相互交流通信的机制
（2）都要完成一个相同的任务
（3）利用当前信息进行路径选择的随机选择策略
在从真实蚁群行为获得启发而构造蚁群算法的过程中，人工蚂蚁还 具备了真实蚂蚁所不具有的一些特性：
11.1 蚁群算法介绍
生物学家通过对蚂蚁的长期观察研究发现，每只蚂蚁的智能并不 高，看起来没有集中的指挥，但它们却能协同工作，集中食物， 建起坚固漂亮的蚁穴并抚养后代，依靠群体能力发挥出超出个体 的智能。蚁群算法(ant colony opHale Waihona Puke Baiduimization, ACO) 是最新发展的 一种模拟昆虫王国中蚂蚁群体智能行为的仿生优化算法。它具有 较强的鲁棒性、优良的分布式计算机制、易于与其他方法相结合 等优点尽管蚁群算法的严格理论基础尚未奠定，国内外的相关研 究还处于实验探索和初步应用阶段，但是目前人们对蚁群算法的 研究已经由当初单一的旅行商问题(traveling salesman problem， TSP)领域渗透到了多个应用领域，由解决一维静态优化问题发展 到解决多维动态组合优化问题，由离散域范围内的研究逐渐拓展 到了连续域范围内的研究，而且在蚁群算法的硬件实现上也取得 了很多突破性的研究进展，从而使这种新兴的仿生优化算法展现 出勃勃生机和广阔的发展前景。
a r t . t ij ik , 若j allowed k n a k pij t is t . ik t s allowedk 0 , 否则
式中，allowedk=(C-tabuk）表示蚂蚁k下一步允许选择的城市；α为 信息启发式因子，表示轨迹的相对重要性，反映了蚂蚁在运动过 程中所积累的信息在蚂蚁运动时所起的作用，其值越大，则该蚂 蚁越倾向于选择其他蚂蚁经过的路径，蚂蚁之间协作性越强；β为 期望启发式因子，表示能见度的相对重要性，反映了蚂蚁在运动 过程中启发信息在蚂蚁选择路径中的受重视程度，其值越大，则 该状态转移概率越接近于贪心规则；ηij(t)为启发函数，其表达式 如下
11.2.3
对蚂蚁个体的抽象
由于蚁群算法是对自然界中真实蚂蚁觅食行为的一种模拟， 是一种机理上的应用，因此首先必须对真实蚂蚁进行抽象， 而不可能也没必要对蚂蚁个体进行完全再现。抽象的目的就 是为了能够更加有效地刻画出真实蚁群中能够为算法所借鉴 的机理，同时摒弃与建立算法模型无关的因素。这样抽象出 来的人工蚂蚁可以看做是一个简单的智能体，能够完成所求 问题简单解的构造过程，也能通过一种通信手段相互影响。
在Ant-Cycle模型中
Q k ij t Lk 0 ， 若第k只蚂蚁在本次循环中经过（i,j） , 否则
式中，Q表示信息强度，它在一定程度上影响算法的收敛速度；Lk表示第k只蚂蚁 在本次循环中所走路径的总长度。
在Ant-Quantity模型中
Q k ij t = d ij 0 , , 若第k只蚂蚁在 t 和 t 1之间经过（i，j ） 否则
11.2.7
启发因子的引入
以上几点是对真实蚂蚁觅食行为的抽象，整个过程体现了蚁群算法的自组 织性，但是这种自组织系统存在一个缺陷，即系统的演化需要耗费较长的 时间。而实际应用时对算法运行时间的要求也是必不可少的，因此在决定 蚂蚁行走方向的状态转移概率时，引入了一个随机搜索的过程，即引入了 启发因子，根据所求问题空间的具体特征，给蚁群算法一个初始的引导， 这个过程极大地增加了算法的时间有效性，从而使蚁群算法的有效应用成 为可能。 以上几点是对真实蚂蚁觅食行为的抽象，整个过程体现了蚁群算法的自组 织性，但是这种自组织系统存在一个缺陷，即系统的演化需要耗费较长的 时间。而实际应用时对算法运行时间的要求也是必不可少的，因此在决定 蚂蚁行走方向的状态转移概率时，引入了一个随机搜索的过程，即引入了 启发因子，根据所求问题空间的具体特征，给蚁群算法一个初始的引导， 这个过程极大地增加了算法的时间有效性，从而使蚁群算法的有效应用成 为可能。
蚁群算法具有很强的自学习能力，可根据环境的改变和过去的行 为结果对自身的知识库或自身的组织结构进行再组织，从而实现 算法求解能力的进化，而这种进化是环境变化与算法自学习能力 交互作用的产物，同时算法机理的复杂性和环境变化的不确定性 进一步增加了蚁群算法的不可预测性。
11.3 基本蚁群算法的数学模型
11.2 蚁群算法原理
11.2.1 蚁群行为描述
根据仿生学家的长期研究发现：蚂蚁虽没有视觉，但运动时会通过在路 径上释放出一种特殊的分泌物——信息素来寻找路径。当它们碰到～个还 没有走过的路口时，就随机地挑选一条路径前行，同时释放出与路径长 度有关的信息素。蚂蚁走的路径越长，则释放的信息量越小。当后来的 蚂蚁再次碰到这个路口的时候，选择信息量较大路径的概率相对较大， 这样便形成了一个正反馈机制。最优路径上的信息量越来越大，而其他 路径上的信息量却会随着时间的流逝而逐渐消减，最终整个蚁群会找出 最优路径。同时蚁群还能够适应环境的变化，当蚁群的运动路径上突然 出现障碍物时，蚂蚁也能很快地重新找到最优路径。可见，在整个寻径 过程中，虽然单只蚂蚁的选择能力有限，但是通过信息素的作用使整个 蚁群行为具有非常高的自组织性，蚂蚁之间交换着路径信息，最终通过 蚁群的集体自催化行为找出最优路径。
设hi(t)表示t时刻位于元素i的蚂蚁数目，Гij(t)n 为，时刻路径(i,j)上的信息量，n表 示TSP规模，m为蚁群中蚂蚁的总数目，则 m= bi t ; ij t | ci , c j C
i 1
是t时刻集合C中元素（城市）两两连接lij上残留信息量的集合。在初始时刻各条路 径上信息量相等，并设rij(0)=const，基本蚁群算法的寻是通过有向图g=(C,L,Г)实现 的。
11.2.4
问题空间的描述
自然界中的真实蚂蚁存在于一个三维的环境中，而问题空间的求解一般 是在平面内进行的，因此需要将蚂蚁觅食的三维空间抽象为一个平面。 这一点比较容易理解，因为蚂蚁觅食所走的路径本来就存在于一个二维 空间（平面或者曲面）上。另外一个问题是真实蚂蚁是在一个连续的二 维平面中行走的，而我们无法用计算机直接来完整的描述一个连续的平 面，因为计算机处理的是离散事件，因此必须将连续的平面离散化由一 组点组成的离散平面，人工蚂蚁可在抽象出来的点上自由运动。这个抽 象过程的可行性在于，尽管蚂蚁是在连续平面行动，但其行动经过的总 是离散点，因此抽象过程只是提高了平面点离散分布的粒度，与其觅食 行为的本身机理没有任何冲突。 基于上述分析，很容易得到蚁群算法所求解的问题空间可用一个重要的 数学工具——图( graph)来描述。在工程实际中的很多问题都可以用图来 描述，这便使蚁群算法的广泛应用成为可能。
1 ij t dij
式中，dij表示相邻两个城市之间的距离。对蚂蚁k而言，dij越小， 则ηij(t)越大，pkij(t)也就越大。显然，该启发函数表示蚂蚁从元 素（城市）j转移到元素（城市）j的期望程度。
为了避免残留信息素过多引起残留信息淹没启发信息，在每只蚂蚁走完一步或 者完成对所有n个城市的遍历（也即一个循环结束）后，要对残留信息进行更 新处理。这种更新策略模仿了人类大脑记忆的特点，在新信息不断存人大脑的 同时，存储在大脑中的旧信患随着时间的推移逐渐淡化，甚至忘记。由此， t+n时刻在路径(i,j)上的信息量可按如下规则进行调整
11.2.2
基本蚁群算法的机制原理
模拟蚂蚁群体觅食行为的蚁群算法是作为一种新的计算智能 模式引入的，该算法基于如下基本假设： （1）蚂蚁之间通过信息素和环境进行通信。每只蚂蚁仅根 据其周围的局部环境做出反应，也只对其周围的局部环境产 生影响。 （2）蚂蚁对环境的反应由其内部模式决定。因为蚂蚁是基 因生物，蚂蚁的行为实际上是其基因的适应性表现，即蚂蚁 是反应型适应性主体。 （3）在个体水平上，每只蚂蚁仅根据环境做出独立选择； 在群体水平上，单只蚂蚁的行为是随机的，但蚁群可通过自 组织过程形成高度有序的群体行为。
蚂蚁k(k=l,2,…,m)在运动过程中，根据各条路径上的信息量决定其转移方 向。这里用禁忌表tabuk(k=l,2,…,m)来记录蚂蚁k当前所走过的城市，集合随 着tabuk进化过程作动态调整。在搜索过程中，蚂蚁根据各条路径上的信息量 及路径的启发信息来计算状态转移概率。pkij(t)表示在t时刻蚂蚁k由元素（城 市）i转移到元素（城市）j的状态转移概率
11.2.6
信息素挥发的抽象
自然界中的真实蚂蚁总是在所经路径上连续不断地留下信息素，而 信息素也会随着时间的推移而连续不断地挥发。由于计算机处理的 事件只能是离散事件，所以必须使信息素的挥发离散发生。通常的 做法是，当蚂蚁完成从某一节点到下一节点的移动后，即经过一个 时间单位之后，进行一次信息素的挥发，而这种在离散时间点进行 信息素挥发的方式与蚂蚁觅食过程的机理是完全相符的。
(1) 人工蚂蚁存在于一个离散的空间中，它们的移动是从一个状态到另一 个状态 的转换；
(2) 人工蚂蚁具有一个记忆其本身过去行为的内在状态；
(3) 人工蚂蚁存在于一个与时间无关联的环境之中； (4) 人工蚂蚁不是完全盲从的，它还受到问题空间特征的启发。例如有的 问题中 人工蚂蚁在产生一个解后改变信息量，而有的问题中人工蚂蚁每作出 一步选择 就更改信息量，但无论哪种方法，信息量的更新井不是随时都可 进行的； (5) 为了改善算法的优化效率，人工蚂蚁可增加一些性能，如预测未来、 局部优化、回退等，这些行为在真实蚂蚁中是不存在的。在很多具体应用中， 人工蚂 蚁可在局部优化过程中相互交换信息，还有一些改进蚁群算法中的人 工蚂蚁可 实现简单预测。