文档介绍：蚁群优化算法概述
*
copyright:hhq
内容
基本概念及原理
1
数学模型与算法流程
2
研究现状及进展
3
算法优缺点及应用
4
Date
copyright:hhq
精品资料
你怎么称呼老师？
如果老师最后没有总结一节课的重点的难点，你是否会认为老师的教学方法需要改进？
你所经历的课堂，是讲座式还是讨论式？
教师的教鞭
“不怕太阳晒，也不怕那风雨狂，只怕先生骂我笨，没有学问无颜见爹娘 ……”
“太阳当空照，花儿对我笑，小鸟说早早早……”
基本概念
蚁群优化算法（Ant Colony Optimization,ACO）
是一种针对难解的离散优化问题的元启发式算法，利用一群人工蚂蚁的协作来寻找好的解。
既适用于静态组合优化问题，又适用于动态组合优化问题。前者如旅行商问题（TSP），后者如通讯领域的路由问题等。
启发式算法（Heuristic Algorithm）
在可接受的花费（指时间和空间）下给出待解决组合优化问题每一个实例的一个可行解，该可行解与最优解的偏离程度不一定能事先预计，也不能保证每次能用相同的时间求出结果。
Date
copyright:hhq
有趣的问题
，会选择相同的路径，而且这条路径往往是一条食物和巢穴之间的最短路径，它们是如何做到的？
；蚁群仍能够重新探索出新的一条最优路径？
Date
copyright:hhq
蚁群行为描述
仿生学家经过长期研究发现：蚂蚁虽然没有视觉，但是存在一种化学物质—信息素（pheromone）用于蚂蚁之间以及蚂蚁与环境的交互。
在没有信息素的情况下，蚂蚁是随机挑选路径的，同时释放出与路径有关的信息素。路径越长，信息素量越小。如果当前路径上存在信息素，蚂蚁倾向于信息素浓度高的路径。由于较短路径上，蚂蚁往返的时间短，单位时间内经过的蚂蚁数多，信息素累计的也多，因此会吸引更多的蚂蚁。信息素还会随着时间蒸发，其他路径上的信息素浓度下降，最终绝大多数的蚂蚁将沿着最优路径前行。
Date
copyright:hhq
蚂蚁行为图解
图1 蚁群觅食行为图
Date
copyright:hhq
蚁群优化算法起源
表1 蚁群觅食现象和蚁群优化算法定义对照表
Date
copyright:hhq
蚁群优化算法机制原理
蚁群优化的本质在于：
选择机制：信息素越多的路径，被选择的概率越大。
更新机制：路径上面的信息素会随蚂蚁的经过而增长，同 时也随时间的推移逐渐挥发消失。
协调机制：蚂蚁间通过环境中的信息素来协同工作。
蚁群算法的寻优包含两个基本过程：
蚂蚁构建解（ConstructAntSolution） 通过使一群蚂蚁并行异步访问邻近点，逐步建立优化问题的解。
更新信息素（UpdatePheromones）依据蚂蚁所构建的解修改空间内的信息素浓度。
Date
copyright:hhq