蚁群优化算法（Ant Colony Optimization, ACO）简介

前言

提醒：
文章内容为方便作者自己后日复习与查阅而进行的书写与发布，其中引用内容都会使用链接表明出处（如有侵权问题，请及时联系）。
其中内容多为一次书写，缺少检查与订正，如有问题或其他拓展及意见建议，欢迎评论区讨论交流。

内容由AI辅助生成，仅经笔者审核整理，请甄别食用。

---

蚁群优化算法（Ant Colony Optimization, ACO）是一种受自然界蚂蚁觅食行为启发的启发式优化算法，由Dorigo等人于20世纪90年代提出，主要用于解决组合优化问题（如旅行商问题TSP、车辆路径问题VRP等）。其核心思想是模拟蚂蚁通过“信息素”（pheromone）传递路径信息的协作机制，通过群体智能逐步逼近最优解。

一、生物学启发：蚂蚁的觅食行为

自然界中，蚂蚁在觅食时会释放一种化学物质——信息素，并通过感知其他蚂蚁留下的信息素选择路径。较短路径上的信息素因蚂蚁往返频率高而积累更快，最终整个蚁群会逐渐聚集到最优路径上。ACO算法正是模拟这一过程：

• 将“蚂蚁”抽象为求解问题的个体；
• 将“路径”抽象为问题的可行解；
• 将“信息素浓度”作为路径优劣的量化指标。

二、核心原理与数学公式

ACO的核心流程包括解的构建和信息素更新两大步骤，以下结合典型的旅行商问题（TSP）展开（TSP目标：寻找访问所有城市的最短闭合路径）。

1. 解的构建：蚂蚁如何选择下一个节点

在TSP中，蚂蚁的目标是构建一条访问所有城市的路径。设蚂蚁$k$当前位于城市$i$，其选择下一个未访问城市$j$的概率由信息素浓度和启发式信息共同决定，公式如下：

$$P_{ij}^k=\{\begin{array}{ll}\frac{[{\tau }_{ij}{]}^{\alpha }\cdot [{\eta }_{ij}{]}^{\beta }}{{\sum }_{l\in {\text{allowed}}_k}[{\tau }_{il}{]}^{\alpha }\cdot [{\eta }_{il}{]}^{\beta }}& \text{if }j\in {\text{allowed}}_k\\ 0& \text{otherwise}\end{array}$$

其中：

• $P_{ij}^k$：蚂蚁$k$从城市$i$转移到城市$j$的概率；
• ${\tau }_{ij}$：城市$i$到城市$j$的信息素浓度（反映路径的历史优劣）；
• ${\eta }_{ij}$：启发式信息（反映路径的局部启发式信息，如TSP中${\eta }_{ij}=1/d_{ij}$，$d_{ij}$为城市$i$到$j$的距离）；
• $\alpha$：信息素重要程度因子（$\alpha \ge 0$，越大表示信息素影响越强）；
• $\beta$：启发式信息重要程度因子（$\beta \ge 0$，越大表示启发式信息影响越强）；
• ${\text{allowed}}_k$：蚂蚁$k$尚未访问的城市集合（避免重复访问）。

2. 信息素更新：路径优劣的动态调整

蚂蚁构建完路径后，所有路径上的信息素会经历挥发（防止信息素无限积累）和沉积（优秀路径积累更多信息素）两个过程，公式如下：

（1）信息素挥发

所有城市间的信息素浓度按比例衰减：
$${\tau }_{ij}\leftarrow (1-\rho )\cdot {\tau }_{ij}$$

其中：
-$\rho$：信息素挥发系数（$0<\rho <1$），$(1-\rho )$为保留系数；

• 挥发机制确保算法能“忘记”较差的历史路径，增强探索新路径的能力。

（2）信息素沉积

蚂蚁根据自身构建的路径长度，在经过的路径上沉积信息素。设第$k$只蚂蚁的路径总长度为$L_k$（TSP中为路径上所有城市间距离之和），则该蚂蚁在路径$(i,j)$上沉积的信息素增量为：
$$\Delta {\tau }_{ij}^k=\frac{Q}{L_k}$$

其中：
-$Q$：信息素总量常数（$Q>0$，控制沉积的信息素规模）；

• 路径越短（$L_k$越小），沉积的信息素越多，引导后续蚂蚁更可能选择该路径。

（3）总信息素更新

综合挥发和沉积，最终信息素浓度为：
$${\tau }_{ij}\leftarrow (1-\rho )\cdot {\tau }_{ij}+\sum _{k=1}^m\Delta {\tau }_{ij}^k$$

其中$m$为蚂蚁总数。

三、ACO算法的基本流程

1. 初始化：

   • 设定参数：蚂蚁数量$m$、$\alpha$、$\beta$、$\rho$、$Q$，最大迭代次数$N_{\text{max}}$；
   • 初始化信息素：所有路径的初始信息素浓度为${\tau }_0$（如${\tau }_0=m/Q$，确保初始公平性）。

2. 构建解：

   • 每只蚂蚁随机从一个城市出发，根据公式（1）的概率选择下一个城市，直到访问所有城市，形成完整路径。

3. 更新信息素：

   • 按公式（2）进行信息素挥发；
   • 按公式（3）和（4）计算每只蚂蚁的信息素增量，并更新总信息素。

4. 终止判断：

   • 若达到最大迭代次数$N_{\text{max}}$，或最优解连续多代无改进，则停止；否则返回步骤2。

四、关键参数的影响

• $\alpha$与$\beta$：平衡“信息素引导”（ exploitation ）和“启发式探索”（ exploration ）。$\alpha$过大易陷入局部最优，$\beta$过大则近似贪婪算法，忽略群体协作。
• $\rho$：$\rho$过小（挥发慢）会导致信息素积累过快，算法早熟；$\rho$过大（挥发快）则信息素引导弱，收敛慢。
• $m$：蚂蚁数量过少，多样性不足；过多则增加计算量，且信息素更新过于频繁，稳定性下降。

五、典型应用

ACO在组合优化问题中表现优异，例如：

• 旅行商问题（TSP）：寻找最短闭合路径；
• 车辆路径问题（VRP）：优化多车辆的配送路线；
• 车间调度问题：优化工序顺序以缩短生产时间。

总结：蚁群优化算法通过信息素的“正反馈”机制（优秀路径吸引更多蚂蚁）和“挥发”机制（避免局部最优），实现了群体智能的协作优化，是解决复杂组合优化问题的有效工具。其核心公式清晰地量化了蚂蚁的决策行为和信息素的动态调整，为算法的实现和改进提供了数学基础。