Machine Learning学习笔记（九）蚁群算法

蚁群算法（Ant Colony Algorithm,ACA)

对蚁群算法做归纳总结。

蚁群算法概述

蚁群算法模拟蚂蚁的觅食行为。

蚂蚁在寻找食物时，会在经过的路上释放一种信息素，并能够感知其他蚂蚁释放的信息素。

信息素浓度的大小表征路径的远近，信息浓度越高，表示对应的路径越短。

通常，蚂蚁会以较大的概率优先选择信息浓度较高的路径，并释放一定量的信息素，以增强该条路径上的信息素浓度，这样，会形成一个正反馈。最终，蚂蚁能够找到一条从巢穴到食物源的最佳路径，即距离最短。

生物学家同时发现，路径上的信息素浓度会随着时间的推进而逐渐衰减。

将蚁群算法应用于解决优化问题，其基本思路为:用蚂蚁的行走路径 表示待优化问题的可行解，整个蚂蚁群体的所有路径构成待优化问题的 解空间。路径较短的蚂蚁释放的信息素量较多，随着时间的推进，较短 的路径上累积的信息素浓度逐渐增高，选择该路径的蚂蚁个数也愈来愈 多。最终，整个蚂蚁会在正反馈的作用下集中到最佳的路径上，此时对 应的便是待优化问题的最优解。

蚁群算法原理

蚁群算法流程

蚁群算法的特点

• 采用正反馈机制，使得搜索过程不断收敛，最终逼近于最优解;
• 每个个体可以通过释放信息素来改变周围的环境，且每个个体能够感知周围环境的实时变化，个体间通过环境进行间接地通讯;
• 搜索过程采用分布式计算方式，多个个体同时进行并行计算，大大提高了算法的计算能力和运行效率;
• 启发式的概率搜索方式，不容易陷入局部最优，易于寻找到全局最优解。

以MATLAB实现蚁群算法