蚁群算法（适用于理工多学科的先进算法）
20世纪90年代初期，意大利学者Dorigo Macro等人通过模拟自然界中蚂蚁集体寻径的行为而提出了蚁群算法（Ant Colony Algorithm简称ACA)，这是一种基于种群的启发式仿生进化算法。该算法最早成功应用于解决著名的旅行商问题（TSP）。它采用分布式并行计算机制，易于与其他方法结合，具有较强的鲁棒性。最近几年开始引起了国内外专家学者的关注。同禁忌搜索算法相比，它对初始解的依赖性不强；同遗传算法相比，蚁群算法中的个体之间不断进行信息交流和传递，其正反馈机制更有利于发现较好解。
仿生学家们长期的研究发现：蚁群作为一个整体是具有高度自组织性的，蚂蚁虽没有视觉，但运动时会在路径上释放出一种特殊的分泌物——信息素寻找路径。当它们碰到一个还没有走过的路口时，就随机地挑选一条路径前行，同时会释放出与路径长度有关的信息素。蚂蚁走的路径越长，则释放的信息素数量越小。当后来的蚂蚁再次碰到这个路口的时候，选择信息素数量较大路径概率就会相对较大，这样形成了一个正反馈机制。最优路径上的信息素数量越来越大，而其他路径上的信息素数量却会随着时间的流逝而消减，最终整个蚁群会找出最优路径。而且蚂蚁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，蚂蚁亦能够很快地重新找到最优路径。可见在整个寻径过程中，虽然单个蚂蚁的选择能力有限，但是通过信息素的作用使整个蚁群的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。蚁群算法便是基于这种正反馈自催化行为产生的。
蚁群算法包含两个基本阶段：适应阶段和协作阶段。在适应阶段，各候选解根据积累的信息不断调整自身结构#路径上经过的蚂蚁越多，信息素数量越大，则该路径越容易被选择；时间越长，信息素数量越小。在协作阶段，候选解之间通过信息交流，以期望产生性能更好的解。
蚁群算法寻优简单、鲁棒性强、易于并行化，是一种效率很高的寻优方法。它不依赖被控对象的精确数学模型，能有效地攻克十分困难的优化问题，使处理问题更具灵活性、适应性和鲁棒性。该方案不仅能提高控制系统设计的品质，而且能降低设计的难度。因此，蚁群算法各个工程领域中有着十分广阔的应用前景。
附件: 你需要登录才可以下载或查看附件。没有帐号？注册
