蚁群算法及其优化总结

今天了解了蚁群算法，它的参数有点点复杂（太多了），主要就是信息素浓的控制。

推荐：智能算法---蚁群算法 - taoliu_alex - 博客园  https://www.cnblogs.com/tao-alex/p/6094483.html

在ACA的基础上进行优化，提出了 蚂蚁-Q系统（Ant-Q System）、蚁群系统(Ant Colony System, ACS) 、最大最小蚂蚁系统（Max-Min Ant System,MMAS）和自适应蚁群算法。

Ant-Q 系统将蚂蚁算法和一种增强型学习算法Q-learning有机的结合了起来。与ACA相比，Ant-Q系统除了在信息素局部更新规则引入强化学习中的Q学习机制外，还在解构造过程中提出了伪随机比例状态迁移规则，并在信息素的全局更新中采用了精英策略。

ACS是以Ant-Q算法为基础的。ACS与ACA之间存在的差异主要是：一，ACS采用了更为大胆的行为选择规则；二，利用精英策略只增强属于全局最优解的路径上的信息素；三，引入了负反馈机制，从而实现一种信息素的局部调整，以减小已选择过的路径再次被选择的概率。

MMAS在启动时将所有支路上的信息素浓度初始化为最大值，用当前找到的最好解更新信息素来指引蚂蚁向更高质量的解空间搜索。为了避免算法过早收敛于局部最优解，将各条路径可能的信息素浓度限制在一定范围内。

自适应蚁群算法是为了防止“早熟”，使得算法能更快的跳出局部收敛，方便全局搜索而提出的。此算法能根据判断搜索结果是否陷入局部收敛从而采用一种新的信息素更新策略，自适应动态调整陷入局部收敛的蚂蚁所经过路径上的信息素和信息素强度，同时要对所有路径上的信息素取值限定范围。

目前了解了PSO和ACA，下面的博文可与参考其优缺点

蚁群算法，PSO算法以及两种算法可以融合的几种方法 - 海风吹 - 博客园  https://www.cnblogs.com/hetonghai/archive/2008/04/09/1144145.html

ACA与PSO的对比

基本的蚁群算法计算量大，收敛速度慢，求解需要较长时间，而粒子群优化算法（PSO）具有相当快的逼近最优解的速度；蚁群算法容易陷入局部最优，而粒子群优化算法局部寻优能力较差；蚁群算法适用于离散问题，而粒子群优化算法适用于连续函数优化问题。它们都具有较好地鲁棒性，既对其基本的算法模型稍加修改，就可以适用于其他算法。此外，蚁群算法具有并行性，且易于与其他启发式算法结合，但是容易出现停滞现象。