蟻群演算法是上世紀90年代初由m. dorigo等學者提出的一種利用螞蟻覓食行為的內在機制來求解複雜問題的方法。在研究螞蟻覓食行為的過程中，人們發現，儘管單隻螞蟻的能力十分有限，而整個蟻群卻能在覓食過程中發現從蟻巢到食物源的最短路徑。螞蟻能夠通過一種稱為「媒介質」（stigmergy）的機制來解決複雜問題：每當螞蟻發現了一 條通往食物源的路徑，它就會向該路徑上釋放一定量的化學物質——資訊素。同時，隨後的螞蟻具有感知資訊素濃度的能力，並根據資訊素的濃度的大小來選擇它將 要移動的方向。假設有兩條路從窩通向食物，開始的時候，走這兩條路的螞蟻數量同樣多（或者較長的路上螞蟻多**優化服 務，這也無關緊要）。當螞蟻沿著一條路到達終點以後會馬上返回來，這樣，短的路螞蟻來回一次的時間就短，這也意味著重複的頻率就快，因而在單位時間裡走過的螞蟻數目就多，灑下的資訊素自然也會多，自然會有更多的螞蟻被吸引過來，從而灑下更多的資訊素……；而長的路正相反，因此，越來越多地螞蟻聚集到較短的路徑上來，最短的路徑就近似找到了。可以說，螞蟻以資訊素作為媒介實現了群體內部的間接通訊，依賴自身催化與正向反饋的機制最終發現覓食的最短路徑。
在螞蟻覓食行為的啟發下，學者們在計算機上模擬真實螞蟻的群體行為，並把該思想用於解決眾多複雜的實際應用問題，這就產生了蟻群演算法。蟻群演算法是人們受到真實世界中螞蟻群體行為的啟示而提出的一種優化演算法，通過個體之間的資訊交流與相互協作，最終得到待求問題的解。計算機學者首先把待解問題轉換成相應的構 建圖，然後讓人工蟻群在構建圖中仿照真實螞蟻的行為：人工螞蟻在構建圖中游走，並根據某些規則釋放一定量的人工資訊素，隨著資訊素在構建圖中某些成分上的不斷積累，人工螞蟻可以探測人工資訊素的濃度並以此為依據構造出問題的解。這種方法具有分布性、並行性、全域性尋優、無須依賴具體問題的數學特性等特點，能 夠在較短的時間內發現問題的近似最優解，並迅速成為最成功的啟發式演算法之一。
在網路路由處理中，網路的流量分布不斷變化，網路鏈路或結點也會隨機地失效或重新加入。蟻群的自身催化與正向反饋機制正好符合了這類問題的求解特點，因而，蟻群演算法在網路領域得到一定應用。
蟻群覓食行為所呈現出的並行與分布特性使得演算法特別適合於並行化處理。因而，實現演算法的並行化執行對於大量複雜的實際應用問題的求解來說是極具潛力的。
螞蟻演算法還在聚類、網頁文件分類及主題圖顯示、智慧型機械人控制等領域得到成功的應用。
在某群體中若存在眾多無智慧型的個體，它們通過相互之間的簡單合作所表現出來的智慧型行為即稱為集群智慧型（swarm intelligence）。網際網路上的交流，不過是更多的神經元連線（人腦）通過網際網路相互作用的結果，光纜和路由器不過是軸突和突觸的延伸。
從自組織現象的角度上看，人腦的智慧型和蟻群也沒有本質上的區別，單個神經元沒有智慧型可言，單個螞蟻也沒有，但是通過連線形成的體系，是乙個智慧型體。
智慧型演算法 蟻群演算法
1 蟻群演算法及其基本思想 蟻群演算法是一種智慧型優化演算法，通過蟻群優化求解複雜問題，aco在離散優化問題方面有比較好的優越性。基本思想 以旅行商問題為例 設定多隻螞蟻，分頭並行搜尋。每只螞蟻完成一次周遊後，在行進的路上釋放資訊素，資訊素量與解的質量成正比。螞蟻路徑的選擇根據資訊素強度大小 初始資...
蟻群優化演算法
蟻群優化演算法作為一種全域性最優化搜素方法，同遺傳演算法一樣，靈感都 於自然界，並有良好的搜素效能。然而，從數學的角度來理解分析它們的工作方式是很難的，因為這些演算法都具有很複雜的隨機過程。aco演算法的過程具有一定的隨機性，這就要求初始化螞蟻的數量和更新資訊素的次數必須足夠的多，只有這樣才能最終收...
蟻群演算法詳解
今天開始學習優化演算法，話說蟻群演算法是之前看過的，唉，今天一看都看不懂了，蟻群演算法的思想我就不說了，現在來理解一下這個 吧！該 的主要思想是 for 迭代次數 for 螞蟻個數 每個螞蟻完整的走完一遍 每個點訪問一次 end更新資訊素 end然後根據資訊素的多少找出一條路徑來 tsp的蟻群演算法...