蚁群算法基本原理(附带动画演示)

蚁群算法（ACO）解决TSP问题⼀、蚁群算法1.基本原理蚁群算法（Ant Colony Optimization，ACO）是⼀种基于种群寻优的启发式搜索算法，有意⼤利学者M.Dorigo等⼈于1991年⾸先提出。

该算法受到⾃然界真实蚁群集体在觅⾷过程中⾏为的启发，利⽤真实蚁群通过个体间的信息传递、搜索从蚁⽳到⾷物间的最短路径等集体寻优特征，来解决⼀些离散系统优化中的困难问题。

经过观察发现，蚂蚁在寻找⾷物的过程中，会在它所经过的路径上留下⼀种被称为信息素的化学物质，信息素能够沉积在路径上，并且随着时间逐步挥发。

在蚂蚁的觅⾷过程中，同⼀蚁群中的其他蚂蚁能够感知到这种物质的存在及其强度，后续的蚂蚁会根据信息素浓度的⾼低来选择⾃⼰的⾏动⽅向，蚂蚁总会倾向于向信息素浓度⾼的⽅向⾏进，⽽蚂蚁在⾏进过程中留下的信息素⼜会对原有的信息素浓度予以加强，因此，经过蚂蚁越多的路径上的信息素浓度会越强，⽽后续的蚂蚁选择该路径的可能性就越⼤。

通常在单位时间内，越短的路径会被越多的蚂蚁所访问，该路径上的信息素强度也越来越强，因此，后续的蚂蚁选择该短路径的概率也就越⼤。

经过⼀段时间的搜索后，所有的蚂蚁都将选择这条最短的路径，也就是说，当蚁巢与⾷物之间存在多条路径时，整个蚁群能够通过搜索蚂蚁个体留下的信息素痕迹，寻找到蚁巢和⾷物之间的最短路径。

蚁群算法中，蚂蚁个体作为每⼀个优化问题的可⾏解。

⾸先随机⽣成初始种群，包括确定解的个数、信息素挥发系数、构造解的结构等。

然后构造蚁群算法所特有的信息素矩阵每只妈蚁执⾏蚂蚊移动算⼦后，对整个群体的蚂蚁做⼀评价，记录最优的蚂蚁。

之后算法根据信息素更新算⼦更新信息素矩阵，⾄此种群的⼀次选代过程完成。

整个蚂蚁群体执⾏⼀定次数的选代后退出循环、输出最优解。

2.术语介绍（1）蚂蚁个体。

每只蚂蚁称为⼀个单独的个体，在算法中作为⼀个问题的解。

（2）蚂蚁群体。

⼀定数量的蚂蚁个体组合在⼀起构成⼀个群体，蚂蚁是群体的基本单位。

基本蚁群算法程序流程图
开始 初始化
循环次数Nc← Nc+1
蚂蚁k=1 蚂蚁k=k+1
按式（1）选择下一元素 修改禁忌表 N Y K≥ m
按式（2）和式（3）进行信息量更新 满足结束条件 Y
Байду номын сангаас输出程序计算结果 结束 N
复杂度分析
对于TSP，所有可行的路径共有(n-1)!/2条，以 此路径比较为基本操作，则需要(n-1)!/2-1次基 本操作才能保证得到绝对最优解。 若1M FLOPS，当n=10, 需要0.19秒 n=20, 需要1929年 n=30, 需要1.4X10e17年
{ ij (t ) | ci , c j C}是t时刻集合C中元素
蚂蚁k(k=1,2,…,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来记录蚂蚁k当前 所走过的城市，集合随着tabuk进化过程做动态调整。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。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：
1) 标有距离的路径图 2) 在0时刻，路径上没有信息素累积，蚂蚁选择路径为任意 3) 在1时刻，路径上信息素堆积，短边信息素多与长边，所以蚂蚁更 倾向于选择ABCDE
特
点
（1）其原理是一种正反馈机制或称增强型学习系统；它通过 信息素的不断更新达到最终收敛于最优路径上； （2）它是一种通用型随机优化方法；但人工蚂蚁决不是对实 际蚂蚁的一种简单模拟，它融进了人类的智能； （3）它是一种分布式的优化方法；不仅适合目前的串行计算 机，而且适合未来的并行计算机； （4）它是一种全局优化的方法；不仅可用于求解单目标优化 问题，而且可用于求解多目标优化问题； 2 （5）它是一种启发式算法；计算复杂性为 O( NC m n )，其 中NC 是迭代次数，m 是蚂蚁数目，n 是目的节点数目。

参数优化方法
采用智能优化算法，如遗传算法、粒子群算法等，对算法参数进行 优化，以寻找最优参数组合，提高算法性能。
04
蚁群算法的实现流程
问题定义与参数设定
问题定义
明确待求解的问题，将其抽象为优化 问题，并确定问题的目标函数和约束 条件。
参数设定
根据问题的特性，设定蚁群算法的参 数，如蚂蚁数量、信息素挥发速度、 信息素更新方式等。
动态调整种群规模
根据搜索进程的需要，动态调整参与搜索的蚁群规模，以保持种群 的多样性和搜索的广泛性。
自适应调整参数
参数自适应调整策略
根据搜索进程中的反馈信息，动态调整算法参数，如信息素挥发速 度、蚂蚁数量、移动概率等。
参数动态调整规则
制定参数调整规则，如基于性能指标的增量调整、基于时间序列的 周期性调整等，以保持算法性能的稳定性和持续性。
06
蚁群算法的优缺点分析
优点
高效性
鲁棒性
蚁群算法在解决组合优化问题上表现出高 效性，尤其在处理大规模问题时。
蚁群算法对噪声和异常不敏感，具有较强 的鲁棒性。
并行性
全局搜索
蚁群算法具有天然的并行性，可以充分利 用多核处理器或分布式计算资源来提高求 解速度。
蚁群算法采用正反馈机制，能够实现从局 部最优到全局最优的有效搜索。
强化学习
将蚁群算法与强化学习相结合，利用强化学习中的奖励机制指导 蚁群搜索，提高算法的探索和利用能力。
THANKS
感谢观看
蚂蚁在移动过程中会不断释放新 的信息素，更新路径上的信息素 浓度。
蚂蚁在更新信息素时，会根据路 径上的信息素浓度和自身的状态 来决定释放的信息素增量。
搜索策略与最优解的形成
搜索策略

Macro Dorigo
2021/7/1
3
基本原理
Nest
Food
Obstacle
图1 蚂蚁正常行进，突然环境改变，增加了障碍物
2021/7/1
4
基本原理
Nest
Food
Obstacle
图2 蚂蚁以等同概率选择各条路径 较短路径信息素浓度高，选择该路径的蚂蚁增多
2021/7/1
5
基本原理
E
t=0
迭代次数 t_max 4784 1999 806 8950 6665 884 3650 2214 948 1802
程序运行时间 time 99.0466 123.0078 458.4601 148.2777 381.1539 499.8319 88.1896 149.1128 495.0127 134.2481
LumerE和FaietaB通过在Denurbourg的基本分 类模型中引入数据对象之间相似度的概念，提出了 LF聚类分析算法，并成功的将其应用到数据分析中。
2021/7/1
11
基于蚂蚁觅食行为和信息素的聚类分析模型
蚂蚁在觅食的过程中，能够分为搜索食物和 搬运食物两个环节。每个蚂蚁在运动过程中 都将会在其所经过的路径上留下信息素，而 且能够感知到信息素的存在及其强度，比较 倾向于向信息素强度高的方向移动，同样信 息素自身也会随着时间的流逝而挥发，显然 某一路径上经过的蚂蚁数目越多，那么其信 息素就越强，以后的蚂蚁选择该路径的可能 性就比较高，整个蚁群的行为表现出了信息 正反馈现象。
2021/7/1
Z
蚁 群 聚 类 结 果 (R=100,t=1000)
3500
3000
2500
2000