群体优化算法（2）-蚁群算法（ACO）

蚁群算法

1.1 理论
蚁群算法起源于蚁群觅食行为，其本质属于启发式算法。从蚁穴到目标猎物有多条路径，由蚁群进行探索。不同的蚁群个体会在自己的路径上留下信息素，并且群体共享，迭代一轮后选出最短路径。一般路径越短，信息素浓度越高。根据前面的最短路径，进行下一轮的路径选择，并且更新信息素浓度，直至迭代终止，选择出最优路径。

1.2 算法流程
① 导入路径数据
② 参数定义
种群数量；目标城市（目标点）数量；
启发函数重要程度因子：beta=5,启发函数因子越大说明启发函数对城市间转移作用越大
信息素重要程度因子：alpha=1,信息素重要程度因子越大说明信息素对城市间转移作用越大。
信息素总量：Q=1
信息素挥发因子：rho=0.1
③迭代寻找最佳路径
Step1:随机产生蚂蚁路径
Step2:计算各个蚂蚁的路径距离并求出最短距离
Step3:更新信息素
关于蚁群算法中释放信息素的特点，定义了三种模型：
第一种模型假设信息素总量一定。信息素浓度和经过路径的长度成反比。
第二种模型中不使用经过的总路径，而仅仅使用相邻城市的路径长度。
第三种模型更简单，不管距离长短，释放的信息素都一样。
Step4:迭代更新，求出最短路径并输出。