今天了解了蟻群演算法，它的引數有點點複雜（太多了），主要就是資訊素濃的控制。
推薦：智慧型演算法---蟻群演算法 - taoliu_alex -
在aca的基礎上進行優化，提出了
螞蟻-q系統（
ant-q system
）、蟻群系統(ant colony system, acs) 、最大最小螞蟻系統（max-min ant system,mmas）和
自適應蟻群演算法
。ant-q 系統
將螞蟻演算法和一種增強型學習演算法q-learning有機的結合了起來。
與aca相比，
ant-q
系統除了在
資訊素區域性更新規則引入強化學習中的q學習機制外，還在
解構造過程中提出了偽隨機比例狀態遷移規則，並在資訊素的全域性更新中採用了精英策略。
acs是以
ant-q
演算法為基礎的。
acs與aca之間存在的差異
主要是：
一，acs採用了更為大膽的行為選擇規則；二，
利用精英策略
只增強屬於全域性最優解的路徑上的資訊素
；三，引入了負反饋機制，從而實現一種資訊素的區域性調整，以減小已選擇過的路徑再次被選擇的概率。
mmas在啟動時將所有支路上的資訊素濃度初始化為最大值，用當前找到的最好解更新資訊素來指引螞蟻向更高質量的解空間搜尋。為了避免演算法過早收斂於區域性最優解，將各條路徑可能的資訊素濃度限制在一定範圍內。
自適應蟻群演算法
是為了防止「早熟」，
使得演算法能更快的跳出區域性收斂，
方便全域性搜尋而提出的。此演算法
能根據判斷搜尋結果是否陷入區域性收斂從而採用一種新的資訊素更新策略，自適應動態調整陷入區域性收斂的螞蟻所經過路徑上的資訊素和資訊素強度，同時
要對所有路徑上的資訊素取值限定範圍。
目前了解了pso和aca，下面的博文可與參考其優缺點
蟻群演算法，pso演算法以及兩種演算法可以融合的幾種方法 - 海風吹 -
aca與
pso的對比
基本的蟻群演算法計算量大，收斂速度慢，求解需要較長時間，而粒子群優化演算法（pso）具有相當快的逼近最優解的速度；蟻群演算法容易陷入區域性最優，而粒子群優化演算法區域性尋優能力較差；蟻群演算法適用於離散問題，而
粒子群優化演算法適用於連續函式優化問題。它們都具有較好地魯棒性，既對其基本的演算法模型稍加修改，就可以適用於其他演算法。此外，蟻群演算法具有並行性，且易於與其他啟發式演算法結合，但是容易出現停滯現象。
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...
現代優化演算法之蟻群演算法
參考一篇 an ant colony optimization algorithm for image edge detection 來嘗試說清楚蟻群優化演算法的大概流程。蟻群演算法是一種群體智慧型演算法，這類演算法主要是依靠隨機選擇加上 目標函式 引導來拓寬解的搜尋能力。我個人覺得這一類的群體演算...
現代優化演算法（五） 蟻群演算法
組合優化演算法系列 現代優化演算法 一 模擬退火演算法 及應用舉例 現代優化演算法 二 遺傳演算法 及應用舉例 現代優化演算法 三 禁忌搜尋演算法 現代優化演算法 四 改進的遺傳演算法 現代優化演算法 五 蟻群演算法 目錄 1 蟻群演算法簡介 2 解決tsp 問題的蟻群演算法描述 人工蟻群演算法的求...