ant colony system算法的分析介绍

ant colony system算法最大的特点是引入了局部信息素更新的功能作为对每次迭代后再对全局信息素更新方法的补充。局部信息素更新是在所有蚂蚁执行单步后进行的，每只蚂蚁对它走过的最后一步按下式进行信息素更新：

τij（t+1）=（1-φ）·τij（t）+φ·τ0（5.16）

其中：φ∈（0，1］，是信息素衰减系数；τ0是信息素初始值。

加入局部信息素更新的目的是通过降低已经访问过的信息素浓度，鼓励同一次迭代中的蚂蚁走新的路径，使得解具有多样性，降低几只蚂蚁在一次迭代中走完全相同路径的情况。

迭代后的全局离线信息素更新和MMAS算法中的一样，由最好的那只蚂蚁执行，公式和式（5.14）类似，稍有不同：(www.xing528.com)

ACS算法和AS算法一个主要的不同在于蚂蚁构建解的决策规则上。采用ACS算法时，蚂蚁在选择下一个到达城市时，采用的转移规则为伪随机比例规则。蚂蚁由城市i到j的概率取决于取值分布在［0，1］区间的随机变量q和初始设定值q0。如果q＞q0，则该概率和AS算法一样由式（5.12）确定；如果，即如果随机变量的取值小于或等于设定值，那就直接选择去往信息素和距离综合启发信息最大的城市。

蚁群优化算法的直接应用场景之一就是物流。假如你是一个快递员，同时接到了50个不同地点的订单任务，你从仓库将商品都装入你的运货车之后，是否需要规划一下怎样才能使得距离尽可能短、时间尽可能少？在许多领域，比如路径规划、任务指派、工作调度、网络路由、图着色等，蚁群优化算法都得到了广泛的应用。它是一种通用型的随机优化方法，也适合用于并行运算系统，且应用的关键就是如何将问题转化为适合蚁群优化算法的一个表达模型。

通过实验5.5.2可以进一步理解蚁群优化算法的应用方法。