蚁群算法简析、缺陷、改进

蚁群算法是一种用来寻找优化路径的概率型算法，该算法是受到蚂蚁在寻找食物过程中发现路径的行为所启发。

本质上是进化算法中的一种启发式全局优化算法。

目录

蚁群优化算法特点

蚁群算法基本结构

蚁群算法缺陷分析 

单蚁群算法的改进

---

蚁群优化算法特点

(1)采用正反馈机制，使得搜索过程不断收敛，最终逼近最优解。

(2)每个个体可以通过释放信息素来改变周围的环境，且每个个体能够感知周围环境的实时变化，个体间通过环境进行间接地通讯。

(3)搜索过程采用分布式计算方式，多个个体同时进行并行计算，大大提高了算法的计算能力和运行效率。

(4)启发式的概率搜索方式不容易陷入局部最优，易于寻找到全局最优解。

蚁群算法基本结构

蚁群算法用于机器人路径规划时主要由初始化、解构建和信息素更新三部分组成：

步骤1：初始化。包括信息素初始化，启发信息初始化，以及种群规模、信息素挥发率等参数初值的设置。

步骤2：解构建。解构建是蚁群算法迭代运行的基础，是算法最关键的环节，主要内容是在问题空间依据状态转移规则如何构建候选解。当用于路径规划时，解构建主要是根据状态转移规则选择下一路径点，最终形成完整路径。

步骤3：信息素更新。解构建完成后需要进行信息素更新，信息素更新包括两个环节。（1）信息素挥发，用于降低路径上的信息素，减小信息素对未来蚂蚁行为的影响，增加算法的探索能力；（2）信息素释放，蚂蚁在其所经过的路径上释放信息素，加强对蚂蚁未来选择该路 径的影响，增强算法的开发能力。

步骤4：重复步骤2和步骤3，直到满足终止条件。 

蚁群算法缺陷分析 

（1）收敛速度慢。蚁群算法中信息素初值相同，选择下一个节点时倾向于随机选择。虽然随机选择能探索更大的任务空间，有助于找到潜在的全局最优解，但是需要较长时间才能发挥正反馈的作用，导致算法初期收敛速度较慢。

（2）局部最优问题。蚁群算法具有正反馈的特点，初始时刻环境中的信息素完全相同，蚂蚁几乎按随机方式完成解的构建，这些解必然会存在优劣之分。在信息素更新时，蚁群算法在较优解经过的路径上留下更多的信息激素，而更多的信息激素又吸引了更多的蚂蚁，这个正反馈的过程迅速地扩大初始的差异，引导整个系统向最优解的方向进化。虽然正反馈使算法具有较好的收敛速度，但是如果算法开始得到的较优解为次优解， 那么正反馈会使次优解很快占据优势，使算法陷入局部最优，且难以跳出局部最优。

（3）优化能力问题。蚁群算法中参数众多并且具有一定的关联性，虽然蚁群算法在很多领域都有广泛应用，但是参数选择更多是依赖经验和试错，不恰当的初始参数会减弱算法的寻优能力。当进行路径规划时，为避免形成环形路径或者重复访问某些节点在算法中设置禁忌表，但是禁忌表很容易造成“死锁”现象，减少种群中的有效蚂蚁数量，降低算法的优化效率。

（4）种群多样性与收敛速度的矛盾。种群多样性对应于候选解在问题空间的分布。个体分布越均匀，种群多样性就越好，得到全局最优解的概率就越大，但是寻优时间就越长；个体分布越集中，种群多样性就越差，不利于发挥算法的探索能力。正反馈加快了蚁群算法的收敛速度，却使算法较早地集中于部分候选解，因此正反馈降低了种群的多样性，也不利于提高算法的全局寻优能力。

单蚁群算法的改进

主要从以下几个方面：

1. 蚁群算法的结构改进 
2. 蚁群算法的参数优化 
3. 信息素初始化方法的改进 
4. 信息素更新规则的改进 

改进的各种算法详见《蚁群算法在移动机器人路径规划中的应用综述》

本文参考《蚁群算法在移动机器人路径规划中的应用综述》：2020