蚁群算法研究意义

1.3.1 蚁群算法的研究背景

在当今社会中，随着人工智能（Artificial Intelligence，AI）和网络技术的飞速发展，科学技术与其他的多种学科相互交叉，相互渗透和融合，不仅给人们的生活、学习和工作等方面带了便利，而且也从根本上改变了人类的生活和生产。与此同时，随着人类生活空间的不断扩大和对世界认识水平的不断提高，人们又对科学技术的发展提出了更高、更多的要求，期待着更多的研究学者对它进行不断的研究和提高，其中高效的优化技术和智能计算的要求也进一步的迫切需求。为了提高优化技术水平和智能计算的发展，近些年来有很多的研究学者，特别是在生物方面的研究专家和学者，通过对大自然中很多生物的生活现象和规律进行了大量的研究和探讨，提出了很多的群体智能算法。它们是一种基于生物信息系统的智能仿生算法，学者们是对社会性昆虫相互合作进行工作的研究，从生物进化和仿生学角度受到启发而提出的。众所周知，社会性昆虫如蜜蜂，蚂蚁等，虽然其单个个体的力量很小，行为方式很简单、随机，但是它们却可以凭借集体的力量进行一些复杂的社会性活动，来更好的完成单个个体很难甚至不能完成的行为或活动，如它们可以通过社会分工等方式来更快的找到食物，共同的建造巢穴和防止外敌入侵等等。这种群体所表现出来的“智能”，就可以称之为群体智能（Swarm Intelligence，SI）。群体智能中的群体(Swarm)是指“一组相互之间可以进行间接通信的主体，这组主体能够合作进行分布式问题求解”。而所谓群体智能是指“无智能的主体通过合作表现出智能行为的特性”。群体智能在没有集中控制并且不提供全局模型的前提下，为寻找复杂的分布式问题的解决方案提供了基础。在很多专家和研究学者的共同努力下，有很多的群体智能算法得以提出并有了很好的发展和应用。虽然有些智能算法有了成熟的理论基础，但是把它们能够很好的应用到现实生活中还有一定的差距，需要我们共同的参与，进行不断的探索、尝试和研究。

蚁群算法正是群体智能算法中的一个重要分支。在对一些生物昆虫，如蜜蜂、蚂蚁等进行大量的观察和研究后，生物学家发现了像蚂蚁这样弱小的昆虫，在觅食的时候，通过群体的力量，经过多次的探索和寻找，最终能够找得到一条从巢穴到食物源的最短路径。为了进一步的研究，生物学家就在蚂蚁寻找食物的路径上，设置一些障碍物来影响蚂蚁寻找路径，经过一段时间的搜寻，最终蚂蚁还是找到了从巢穴到食物源的最短路径。经过各种实验，生物学家进一步的研究表明，蚂蚁在寻找食物的探索过程中，会在所经过的路径上释放一种挥发的化学物质，这种特殊的物质被称之为信息素（Pheromone）。信息素可以沉积在路径上，并随着时间逐步的挥发。当蚂蚁选择路径的时候，它们倾向于沿着信息素气味较浓的

路径上前进。因此信息素可以引导蚂蚁来更快的，更有可能的找到离巢穴最近的食物。实验结果表明，正是这种特殊的物质，能够使蚂蚁找到从巢穴通向食物的最短路径。也可以说，当蚂蚁的巢穴和食物之间存在较多路径时，整个蚁群可以通过搜索各个个体蚂蚁留下的信息素的痕迹来找到往返于蚁穴和食物之间的最短的路径。

1.3.2 蚁群算法的历史和科学意义

蚁群算法（ant colony algorithm）是由意大利学者 M. Dorigo 等在 20 世纪90 年代初期研究蚂蚁寻找从巢穴到食物源的路径时，从生物进化的机制中受到启发，提出了一种新型的模拟进化算法。该算法具有稳健性（鲁棒性）、正反馈性和分布式计算等优点，在求解复杂的组合优化问题上有更强的优势，在分配问题、Job-shop 调度等问题上，都有了较好的实验结果。在求解计算机算法中经典的“旅行商问题(Traveling Salesman Problem，TSP)”时，众多的研究学者根据算法基本原理，在算法中设计出了虚拟的“蚂蚁”来搜索不同的路线，还有虚拟的“信息素”，它会随着时间逐渐的消失。当每只蚂蚁每次随机选择要走的路径，它们会尽可能的倾向于选择路径较短、信心素浓度较高的路径，根据“信息量较浓的路线更近”的原则，即可选择出最佳的路径。由于该算法利用了正反馈的机制，使得较短的路径能够有较大的机会得到选择，并且采用了概率算法，来选择下一步要走的路径，所以它能够不局限于局部最优解。虽然对蚁群算法的研究时间并不长，远不如像遗传算法，模拟退火等算法那样形成2系统的分析方法和坚实的数学基础和理论基础，但是它的提出，能够为解决一些复杂的系统优化问题提供了一种新的，更好的求解算法，特别是在求解离散型组合优化的问题上，蚁群算法表现出了其他进化算法无法比拟的优越性。蚁群算法不仅具有鲁棒性、分布式计算、正反馈性、易于和其他的智能算法相结合的特点，而且还能够智能搜索、全局优化等优势。该算法已经引起了众多专家和学者的注意，现在正被越来越多的研究者关注和探讨，算法的理论得到不断的完善，应用范围也普及到许多的科学技术及工程领域，是一种有良好发展前景的模拟进化算法。