蚁群算法
蚁群算法
两阶段算法（Two Phase Algorithm）
算法举例
（3）以P0为起点，以P4为终点，求下图最短路径L
Dijkstra算法 动态规划 L为 P0→P6 → P3 → P4. 总长度为97km。
（4）根据最短路进行分组，最短路由三条分支组成，即
P0→P5 → P8 → P7 → P6 → P0. 33km，5.9t
0 0
4 10 17 0
节约法（Saving Method）
算法举例
点对之间连接的距离节约值
连接点 3-4 2-3 7-8 6-7 1-7 节约里程 19 18 17 16 13 连接点 1-2 1-6 6-8 2-4 1-3 节约里程 12 11 10 9 8 连接点 1-8 2-7 5-8 2-6 4-5 节约里程 5 5 4 3 3 连接点 5-7 3-7 5-6 节约里程 3 1 1
Cij P0 P5 P8 P0 0 P5 8 0 P8 22 18 0 P7 33 29 28 P6 33 29 28 P1 ∞ ∞ 37 P2 ∞ ∞ ∞ P3 ∞ ∞ ∞ P4 ∞ ∞ ∞
P7
P6 P1 P2 P3 P4
0
16
0
25
20 0
35
30 22 0
∞
42 34 30 0
∞
∞ ∞ ∞ 22 0
节约法（Saving Method）
算法举例
求初始解
令Ii={i}，i=1，2，· · · ，8；最短路长li=2C0i；载重量ri=Ri；标记 （合并次数）B1=B2=· · · =B8=0.
按节约里程从大到小合并路径 8
P3 P29 10P15 NhomakorabeaP4
11
蚁群算法
蚁群算法目录1 蚁群算法基本思想 (1)1.1蚁群算法简介 (1)1.2蚁群行为分析 (1)1.3蚁群算法解决优化问题的基本思想 (2)1.4蚁群算法的特点 (2)2 蚁群算法解决TSP问题 (3)2.1关于TSP (3)2.2蚁群算法解决TSP问题基本原理 (3)2.3蚁群算法解决TSP问题基本步骤 (5)3 案例 (6)3.1问题描述 (6)3.2解题思路及步骤 (6)3.3MATLB程序实现 (7)3.1.1 清空环境 (7)3.2.2 导入数据 (7)3.3.3 计算城市间相互距离 (7)3.3.4 初始化参数 (7)3.3.5 迭代寻找最佳路径 (7)3.3.6 结果显示 (7)3.3.7 绘图 (7)1 蚁群算法基本思想1.1 蚁群算法简介蚁群算法（ant colony algrothrim ，ACA ）是由意大利学者多里戈（Dorigo M ）、马聂佐（ Maniezzo V ）等人于20世纪90初从生物进化的机制中受到启发，通过模拟自然界蚂蚁搜索路径的行为，提出来的一种新型的模拟进化算法。
该算法用蚁群在搜索食物源的过程中所体现出来的寻优能力来解决一些系统优化中的困难问题，其算法的基本思想是模仿蚂蚁依赖信息素，通过蚂蚁间正反馈的方法来引导每个蚂蚁的行动。
蚁群算法能够被用于解决大多数优化问题或者能够转化为优化求解的问题，现在其应用领域已扩展到多目标优化、数据分类、数据聚类、模式识别、电信QoS 管理、生物系统建模、流程规划、信号处理、机器人控制、决策支持以及仿真和系统辩识等方面。
蚁群算法是群智能理论研究领域的一种主要算法。
1.2 蚁群行为分析EABCDF d=3d=2 m=20 t=0AB C Dd=3d=2 m=10 m=10t=11.3 蚁群算法解决优化问题的基本思想用蚂蚁的行走路径表示待优化问题的可行解，整个蚂蚁群体的所有路径构成待优化问题的解空间。
路径较短的蚂蚁释放的信息量较多，随着时间的推进，较短路径上积累的信息浓度逐渐增高，选择该路径的蚂蚁个数愈来愈多。
蚁群算法
基本蚁群算法程序流程图
开始 初始化
循环次数Nc← Nc+1
蚂蚁k=1 蚂蚁k=k+1
按式（1）选择下一元素 修改禁忌表 N Y K≥ m
按式（2）和式（3）进行信息量更新 满足结束条件 Y
Байду номын сангаас输出程序计算结果 结束 N
复杂度分析
对于TSP，所有可行的路径共有(n-1)!/2条，以 此路径比较为基本操作，则需要(n-1)!/2-1次基 本操作才能保证得到绝对最优解。 若1M FLOPS，当n=10, 需要0.19秒 n=20, 需要1929年 n=30, 需要1.4X10e17年
{ ij (t ) | ci , c j C}是t时刻集合C中元素
蚂蚁k(k=1,2,…,m)在运动过程中，根据各条路径上的信息 量决定其转移方向。这里用禁忌表tabuk来记录蚂蚁k当前 所走过的城市，集合随着tabuk进化过程做动态调整。在 搜索过程中，蚂蚁根据各条路径上的信息量及路径的启发 信息来计算状态转移概率。在t时刻蚂蚁k由元素（城市）i 转移到元素（城市）j的状态转移概率：
1) 标有距离的路径图 2) 在0时刻，路径上没有信息素累积，蚂蚁选择路径为任意 3) 在1时刻，路径上信息素堆积，短边信息素多与长边，所以蚂蚁更 倾向于选择ABCDE
特
点
（1）其原理是一种正反馈机制或称增强型学习系统；它通过 信息素的不断更新达到最终收敛于最优路径上； （2）它是一种通用型随机优化方法；但人工蚂蚁决不是对实 际蚂蚁的一种简单模拟，它融进了人类的智能； （3）它是一种分布式的优化方法；不仅适合目前的串行计算 机，而且适合未来的并行计算机； （4）它是一种全局优化的方法；不仅可用于求解单目标优化 问题，而且可用于求解多目标优化问题； 2 （5）它是一种启发式算法；计算复杂性为 O( NC m n )，其 中NC 是迭代次数，m 是蚂蚁数目，n 是目的节点数目。
蚁群算法最全集PPT课件
采用智能优化算法，如遗传算法、粒子群算法等，对算法参数进行 优化，以寻找最优参数组合，提高算法性能。
04
蚁群算法的实现流程
问题定义与参数设定
问题定义
明确待求解的问题，将其抽象为优化 问题，并确定问题的目标函数和约束 条件。
参数设定
根据问题的特性，设定蚁群算法的参 数，如蚂蚁数量、信息素挥发速度、 信息素更新方式等。
动态调整种群规模
根据搜索进程的需要，动态调整参与搜索的蚁群规模，以保持种群 的多样性和搜索的广泛性。
自适应调整参数
参数自适应调整策略
根据搜索进程中的反馈信息，动态调整算法参数，如信息素挥发速 度、蚂蚁数量、移动概率等。
参数动态调整规则
制定参数调整规则，如基于性能指标的增量调整、基于时间序列的 周期性调整等，以保持算法性能的稳定性和持续性。
06
蚁群算法的优缺点分析
优点
高效性
鲁棒性
蚁群算法在解决组合优化问题上表现出高 效性，尤其在处理大规模问题时。
蚁群算法对噪声和异常不敏感，具有较强 的鲁棒性。
并行性
全局搜索
蚁群算法具有天然的并行性，可以充分利 用多核处理器或分布式计算资源来提高求 解速度。
蚁群算法采用正反馈机制，能够实现从局 部最优到全局最优的有效搜索。
强化学习
将蚁群算法与强化学习相结合，利用强化学习中的奖励机制指导 蚁群搜索，提高算法的探索和利用能力。
THANKS
感谢观看
蚂蚁在移动过程中会不断释放新 的信息素，更新路径上的信息素 浓度。
蚂蚁在更新信息素时，会根据路 径上的信息素浓度和自身的状态 来决定释放的信息素增量。
搜索策略与最优解的形成
搜索策略
蚁群算法
4.蚁群算法应用
信息素更新规则
1.蚁群算法简述 2.蚁群算法原理
最大最小蚂蚁系统
3.蚁群算法改进
4.蚁群算法应用
最大最小蚂蚁系统（MAX-MIN Ant System，MMAS）在基本AS算法的基础 上进行了四项改进： (1)只允许迭代最优蚂蚁（在本次迭代构建出最短路径的蚂蚁），或者至今 最优蚂蚁释放信息素。（迭代最优更新规则和至今最优更新规则在MMAS 中会被交替使用）
p( B) 0.033/(0.033 0.3 0.075) 0.081 p(C ) 0.3 /(0.033 0.3 0.075) 0.74 p( D) 0.075 /(0.033 0.3 0.075) 0.18
用轮盘赌法则选择下城市。假设产生的 随机数q=random(0,1)=0.05，则蚂蚁1将会 选择城市B。 用同样的方法为蚂蚁2和3选择下一访问 城市，假设蚂蚁2选择城市D，蚂蚁3选择城 市A。
蚁群算法
1.蚁群算法简述 2.蚁群算法原理 3.蚁群算法改进 4.蚁群算法应用
1.蚁群算法简述 2.蚁群算法原理
3.蚁群算法改进
4.蚁群算法应用
蚁群算法(ant colony optimization, ACO)，又称蚂蚁 算法，是一种用来在图中寻找优 化路径的机率型算法。 由Marco Dorigo于1992年在他 的博士论文中提出，其灵感来源 于蚂蚁在寻找食物过程中发现路 径的行为
4.蚁群算法应用
例给出用蚁群算法求解一个四城市的TSP 3 1 2 3 5 4 W dij 1 5 2 2 4 2
假设蚂蚁种群的规模m=3,参数a=1，b=2，r=0.5。 解：
满足结束条件？
蚁群算法简述
2.蚁群算法的特征
下面是对蚁群算法的进行过程中采用的规则进行的一些说明. 范围
蚂蚁观察到的范围是一个方格世界,蚂蚁有一个参数为速度半径一般 是3,那么它能观察到的范围就是33个方格世界,并且能移动的距离也在这 个范围之内. 环境
蚂蚁所在的环境是一个虚拟的世界,其中有障碍物,有别的蚂蚁,还有 信息素,信息素有两种,一种是找到食物的蚂蚁洒下的食物信息素,一种是找 到窝的蚂蚁洒下的窝的信息素.每个蚂蚁都仅仅能感知它范围内的环境信 息.环境以一定的速率让信息素消失. 觅食规则
2.蚁群算法的特征
基本蚁群算法流程图详细
1. 在初始状态下,一群蚂蚁外出,此时没有信息素,那么各 自会随机的选择一条路径. 2. 在下一个状态,每只蚂蚁到达了不同的点,从初始点到这 些点之间留下了信息素,蚂蚁继续走,已经到达目标的蚂蚁 开始返回,与此同时,下一批蚂蚁出动,它们都会按照各条路 径上信息素的多少选择路线selection,更倾向于选择信息 素多的路径走当然也有随机性. 3. 又到了再下一个状态,刚刚没有蚂蚁经过的路线上的信 息素不同程度的挥发掉了evaporation,而刚刚经过了蚂蚁 的路线信息素增强reinforcement.然后又出动一批蚂蚁,重 复第2个步骤. 每个状态到下一个状态的变化称为一次迭代,在迭代多次 过后,就会有某一条路径上的信息素明显多于其它路径,这 通常就是一条最优路径.
人工蚁群算法
基于以上蚁群寻找食物时的最优路径选择问题,可 以构造人工蚁群,来解决最优化问题,如TSP问题.
人工蚁群中把具有简单功能的工作单元看作蚂蚁. 二者的相似之处在于都是优先选择信息素浓度大的路 径.较短路径的信息素浓度高,所以能够最终被所有蚂 蚁选择,也就是最终的优化结果.
两者的区别在于人工蚁群有一定的记忆能力,能够 记忆已经访问过的节点.同时,人工蚁群再选择下一条 路径的时候是按一定算法规律有意识地寻找最短路径, 而不是盲目的.例如在TSP问题中,可以预先知道当前 城市到下一个目的地的距离.
蚁群算法
一、蚁群算法的起源
蚁群算法（Ａｎｔ Ｃｏｌｏｎｙ Ａｌｇｏｒｉｔｈ ｍ，简称ＡＣＡ，也称ＡＣＯ），是一种仿生类启发式 算法，也是一种分布式智能模拟算法．其基本思想是吸 收蚁群的信息共享特性，通过内在搜索机制求解组合优 化问题．该算法于１９９２年由意大利学者Ｄｏｒｉｇ ｏ提出，并被成功应用于解决ＴＳＰ和ＱＡＰ，后经诸 多学者研究逐渐发展起来。
四、蚁群算法的优点：
(1)它是一种启发式算法，一种基于蒙特卡罗方法的试探性信息正反馈机 制或增强型学习系统，并通过信息素轨迹的不断更新分布式计算避免了 过早收敛． (2)它较强的启发性使得在早期的寻优过程中能迅速找到合适的解决方案， 且已经在很多复杂的组合优化问题中得到成功应用． (3)它是一种通用型随机优化算法，其人工蚂蚁融入了人类智慧，易于与 其他方法结合，特别是与其他启发式算法的结合，能够得到很好的性能 改善． (4)它具有较强的鲁棒性，只要对其模型稍加修改，就可用于解决不同的 问题． (5)它是一种分布式优化算法，既有串行性，又有并行性，串行和并行计 算机都可以实现
三、蚁群算法基本原理
在从食物源到蚁穴并返回的过程中，蚂蚁能在其走过的 路径上分泌一种化学物质，称为信息素，并通过这种方 式形成信息素轨迹 J。蚂蚁在运动过程中能够感知信息 素的存在及强度，并依此指导自己的运动方向，使蚂蚁 倾向于朝着该物质强度高的方向移动，形成回到蚁穴的 最短路径
蚁群在完成觅节点j的运动过程中或是在完成一 次循环后，蚂蚁在边(i，j)上释放一种物质，称 为信息素轨迹。 (2)蚂蚁概率地选择下一个将要访问的节点，这 个概率是两节点间距离和连接两节点的路径上存 有信息素量的函数。 (3)为了满足问题的约束条件，在完成一次循环 之前，不允许蚂蚁访问已经访问过的节点
蚁群算法
四、结论
蚁群算法是由M.Dorigo于1992年提出来的一种新型进化算 法。该算法不依赖于具体问题的数学描述，具有全局优化能力 和本质上的并行性，同时比遗传算法、模拟退火算法等早期进 化算法具备更强的鲁棒性、求解时间短、易于计算机实现等优 点。已被用于高度复杂的组合优化问题、通讯网络的路由选择 问题、多机器人任务分配问题、图形生成及划分等问题中。 但由于蚁群算法的研究历史很短，在实际问题中应用还较 少，因此存在许多有待进一步研究改进的地方。如信息素分配 策略、路径搜索策略、最优解保留策略等方面，均带有经验性 和直觉性，没有经过细致的研究和分析。因此算法的求解效率 不高，收敛性较差。
它们的区别在于后两种模型中利用的是局部信息， 而前者利用的是整体信息。参数α，β，Q，ρ，可以用 实验方法确定其最优组合，停止条件可以用固定进化 代数或当进化趋势不明显时停止计算。
pij (t ) =
α β τ ij (t ) × η ij (t ) α β τ ik (t ) × η ik (t ) ∑(i,k )∈S ,k∉U
ant cycle system, ant quantity system, ant density system。
他们的差别在于表达式的不同。 在ant cycle system模型中，
Q k ∆τ ij = f k 0 第k只蚂蚁在第t次循环中经过边(i, j ) 其他
f k 第k只蚂蚁在整个路径中的目标函数值。
谢谢！
二、蚁群算法原理
人工蚁群算法是模仿真实的蚁群行为而提出的。仿生 学家经过大量细致的观察研究发现，蚂蚁个体之间是通过一 种称为“外激素”(Stigmergy)的物质进行信息传递的。蚂蚁 在运动过程中，能够在它所经过的路径上留下该种物质，而 且蚂蚁在运动过程中能感知这种物质，并以此指导自己的运 动方向(蚂蚁选择有这些物质的路径的可能性,比选择没有这 些物质的路径的可能性大得多)。因此，有大量蚂蚁组成的蚁 群的集体行为便表现出一种信息正反馈现象：某一路径上走 过的蚂蚁越多，则后来者选择该路经的概率就越大。蚂蚁个 体之间就是通过这种信息的交流达到搜索食物的目的。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
蚁群算法学号：1101500449 姓名：赵亮民摘要：蚁群算法是优化领域中新出现的一种仿生进化算法。
该算法采用分布式并行计算机制，具有较强的鲁棒性；但有搜索时间较长，易陷入局部最优解的缺点。
本文首先讲述蚁群算法的来源和基本原理，然后讨论蚁群算法的几种改进策略，并简单介绍近年来蚁群算法在许多新领域中的发展应用，最后对今后进一步研究的方向作了展望。
关键词：蚁群算法；蚂蚁；信息素；优化Abstract：Ant colony algorithm is a novel category of bionic algorithm for optim ization problems．Parallel computation mechanism is adopted in this algorithm．It has strong robustness and is easy to combinewith other methods in optimization，but it has the limitation of stagnation，and is easy to fall into local optimums．Firstly，the basic principle of ant colony algorithm is introduced．Then。
a series of schemes on improving the ant colony algorithm are discussed，and the new applications are also provided．Finally，somerem arks on the further research and directions are presented．Key words：ant colony algorithm ；ant；pheromone；optimization概念各个蚂蚁在没有事先告诉他们食物在什么地方的前提下开始寻找食物。
当一只找到食物以后，它会向环境释放一种挥发性分泌物pheromone (称为信息素,该物质随着时间的推移会逐渐挥发消失，信息素浓度的大小表征路径的远近)来实现的，吸引其他的蚂蚁过来，这样越来越多的蚂蚁会找到食物。
有些蚂蚁并没有象其它蚂蚁一样总重复同样的路，他们会另辟蹊径，如果另开辟的道路比原来的其他道路更短，那么，渐渐地，更多的蚂蚁被吸引到这条较短的路上来。
最后，经过一段时间运行，可能会出现一条最短的路径被大多数蚂蚁重复着。
原理设想，如果我们要为蚂蚁设计一个人工智能的程序，那么这个程序要多么复杂呢？首先，你要让蚂蚁能够避开障碍物，就必须根据适当的地形给它编进指令让他们能够巧妙的避开障碍物，其次，要让蚂蚁找到食物，就需要让他们遍历空间上的所有点；再次，如果要让蚂蚁找到最短的路径，那么需要计算所有可能的路径并且比较它们的大小，而且更重要的是，你要小心翼翼地编程，因为程序的错误也许会让你前功尽弃。
这是多么不可思议的程序！太复杂了，恐怕没人能够完成这样繁琐冗余的程序。
然而，事实并没有你想得那么复杂，上面这个程序每个蚂蚁的核心程序编码不过100多行！为什么这么简单的程序会让蚂蚁干这样复杂的事情？答案是：简单规则的涌现。
事实上，每只蚂蚁并不是像我们想象的需要知道整个世界的信息，他们其实只关心很小范围内的眼前信息，而且根据这些局部信息利用几条简单的规则进行决策，这样，在蚁群这个集体里，复杂性的行为就会凸现出来。
这就是人工生命、复杂性科学解释的规律！那么，这些简单规则是什么呢？现今有哪些关于蚁群算法的应用呢？1大规模集成电路的线网布局在大规模集成电路的线网布局中，需要根据电路和工艺的要求完成芯片上单元或功能模块的布局，然后实现它们之间的互连。
此问题可看作是寻找一个网格平面上两端点之间绕过障碍的最短路径问题。
线网上的每个Agent根据启发策略．像蚂蚁一样在开关盒网格上爬行，所经之处便设置一条金属线．历经一个线网的所有引脚之后．线网便布通了。
应用蚁群算法，可以找到成本最低、最合理的线网布局．而且由于其本身的并行性。
比较适合于解决此类问题。
2通信网络路由近年来．许多学者将蚁群算法应用于通讯领域，特别是通信网络中的路由问题。
通信网络的路由是通过路由表进行的．在每个节点的路由表中。
对每个目的节点都列出了与该节点相连的节点，当有数据包到达时．通过查询路由表可知下一个将要到达的节点。
网络信息的分布性、动态性、随机性和异步性与蚁群算法非常相似，都是利用局部信息发现解，间接通讯方式和随机状态的转换。
Dorigo．Di Caro和Gambardella首先将蚁群算法应用于网络路由问题．并称这种算法为AntNet。
3蚁群算法在电力系统中的应用电力系统优化是一个复杂的系统工程．它包括无功优化、经济负荷分配、电网优化及机组最优投入等一系列问题，其中很多是高维、非凸、非线性的优化问题。
其中．机组最优投入问题是寻求一个周期内各个负荷水平下机组的最优组合方式及开停机计划，使运行费用最小。
利用状态、决策及路径概念，将机组最优投入问题设计成类似旅行商问题的模式．从而可方便地利用蚁群算法来求解。
还有人将蚁群算法编入水力发电规划能源管理软件．可很好地节约能源。
此外．对于电力系统中的故障检测，蚁群算法也表现出较好的应用前景。
由于故障地点的估计信息来自保护继电器和电路断路器，那么对所有故障部分的估计可以看作是一个组合优化问题。
蚁群算法的应用进展以蚁群算法为代表的蚁群智能已成为当今分布式人工智能研究的一个热点，许多源于蜂群和蚁群模型设计的算法己越来越多地被应用于企业的运转模式的研究。
美国五角大楼正在资助关于群智能系统的研究工作-群体战略(Swarm Strategy)，它的一个实战用途是通过运用成群的空中无人驾驶飞行器和地面车辆来转移敌人的注意力，让自己的军队在敌人后方不被察觉地安全进行。
英国电信公司和美国世界通信公司以电子蚂蚁为基础，对新的电信网络管理方法进行了试验。
群智能还被应用于工厂生产计划的制定和运输部门的后勤管理。
美国太平洋西南航空公司采用了一种直接源于蚂蚁行为研究成果的运输管理软件，结果每年至少节约了1000万美元的费用开支。
英国联合利华公司己率先利用群智能技术改善其一家牙膏厂的运转情况。
美国通用汽车公司、法国液气公司、荷兰公路交通部和美国一些移民事务机构也都采用这种技术来改善其运转的机能。
鉴于群智能广阔的应用前景，美国和欧盟均于近几年开始出资资助基于群智能模拟的相关研究项目，并在一些院校开设群体智能的相关课程。
国内，国家自然科学基金”十五”期间学科交叉类优先资助领域中的认知科学及其信息处理的研究内容中也明确列出了群智能领域的进化、自适应与现场认知主题。
蚁群优化算法最初用于解决TSP问题，经过多年的发展，已经陆续渗透到其他领域中，比如图着色问题、大规模集成电路设计、通讯网络中的路由问题以及负载平衡问题、车辆调度问题等。
蚁群算法在若干领域己获得成功的应用，其中最成功的是在组合优化问题中的应用。
在网络路由处理中，网络的流量分布不断变化，网络链路或结点也会随机地失效或重新加入。
蚁群的自身催化与正向反馈机制正好符合了这类问题的求解特点，因而，蚁群算法在网络领域得到一定应用。
蚁群觅食行为所呈现出的并行与分布特性使得算法特别适合于并行化处理。
因而，实现算法的并行化执行对于大量复杂的实际应用问题的求解来说是极具潜力的。
存在的问题及解决方法的进展蚁群算法以其分布式并发性、正反馈、鲁棒性强、收敛速度快、易获得全局最优解等特点，成为目前国内启发式算法研究的热点，但是蚁群算法也存在如下缺点：容易出现停滞现象（stagnation behaviour），算法运算时间过长。
针对这些缺陷，近年来众多国内外的学者在蚁群的改进方面做了大量的研究工作, 其目的是在合理时间复杂度的限制条件下，尽可能提高蚁群算法在一定的空间复杂度下的寻优能力，从而改善蚁群算法的全局收敛性，扩宽蚁群算法的应用领域。
M.Dorigo等人提出一种修正的蚁群算法为Ant-Q System，该算法和基本蚁群算法有如下不同：（1）状态转移规则不同：仅让信息量最大的路径以较大的概率选中。
（2）全局更新规则不同：仅对一次循环中的最优的蚂蚁使用。
（3）增加更新规则：在所有蚂蚁完成一次转移后执行。
德国学者Thomastuzle和Holerhoos提出了一种改进的算法即最大最小系统（MAX-MINant system，MMAS）。
为了防止算法过早的停滞，MMAS限定了信息量允许的上下限，并且采用了平滑机制对蚂蚁系统的解进行了改进。
1999年，M.Dorigo把先前的各种蚁群算法归结为ACO元启发式算法（ant colony optimization metar-heuristic）的概念，把各种基于蚁群系统的算法归结到一个统一的框架中。
作为一种新型的启发式算法，ACO元启发式算法近年来受到广泛的关注。
一些学者把蚁群算法和其它的一些仿生优化算法进行融合，并且取得了较好的应用效果。
Abbattista F等人最早提出将遗传算法（GA）和蚁群算法相融合的策略，并且在Oliver30TSP 和Eilon50TSP的仿真实验中得到了较好的结果。
候云鹤等人将微粒群（PSO）引入蚁群算法（GACA）的局部搜索中，采用GACA进行全局搜索，确定最优解存在的领域。
Lee Z J提出一种新的融合算法即免疫-蚁群算法，并将其成功应用在求解WTAP。
蒋加伏等提出了一种基于免疫-蚁群算法的多约束QoS路由选择算法，也取得了很好的应用效果。
参考文献：[1] 蚁群算法及其应用研究赵天男; 王晓红软件导刊2010（6）[2] 蚁群算法的研究及应用进展张祖琼电脑知识与技术2009（9）[3]蚁群算法的研究进展及应用刘彩云; 陈忠软件导刊2008（9）[4]侯云鹤，熊信艮，吴耀武等．基于广义蚁群算法的电力系统经济负荷分配[J3．中国电机工程学报，2003，23(3)：59—64．[5]李有梅，王文剑，徐宗本．关于求解难组合优化问题的蚁群优化算法[J3．计算机科学．2002．29(3)：115—118[6]温文波．杜维．蚁群算法概述[J]．石油化工自动化，2002，(1)：19—22．[7]马良．项培军．蚂蚁算法在组合优化中的应用[J3．管理科学学报．2001．4(2)：32—36[8]胡娟，王常青，韩伟，全智．蚁群算法及其实现方法研究[J]．计算机仿真．2004，21(7)：1lO一114．。