乔东平+裴杰+肖艳秋

摘要：

蚁群算法是一种新型仿生优化算法，其分布式计算机制及与其它算法的良好结合性，使其在短期内得到了快速发展和应用。首先在简述蚁群算法基本原理及特点的基础上，对算法的发展及研究状况作简要概述，然后结合几种具有代表性的算法改进模型，对算法在不同优化领域的应用进行介绍，最后结合蚁群算法的理论及应用研究成果，对算法的发展加以总结。

关键词：蚁群算法；信息素；组合优化

DOIDOI：10.11907/rjdk.172949

中图分类号：TP301

文献标识码：A 文章编号：1672-7800（2017）012-0217-05

Abstract：Ant colony algorithm， a new bionic optimization algorithm， has got rapid development and wide application in a short time for the good combination of its distributed computing mechanism with other algorithms. Based on a brief description of the basic principles and characteristics of ant colony algorithm， the paper provides a general overview of its development and research status， introduces its applications in different optimization fields according to several representative algorithms， and finally， gives a conclusion of its future prospect with an analysis of the research results of ant colony algorithm theory and applications.

Key Words：ant colony algorithm； pheromone； combinatorial optimization

0 引言

蚁群算法（Ant Colony Algorithm）是由意大利学者Dorigo M等[1]于20世纪90年代初期受到自然界中真实蚂蚁觅食行为启发而提出的一种仿生优化算法。算法采用分布式并行计算机制，具有较强的鲁棒性，且易与其它优化算法相结合。其具有的诸多优良特性，使蚁群算法迅速受到研究者们的广泛关注[2]。

蚁群算法最早应用于旅行商问题（Traveling Salesman Problem， TSP）中，并取得了较好的应用效果。随着算法的发展，学者们在基本蚁群算法基础上提出了诸多改进策略，有效提高了算法的求解性能，并逐渐将其扩展应用于诸如作业调度、路径规划、数据挖掘等多个领域，取得了丰硕的研究成果[3-5]。

1 蚁群算法基本原理及模型

蚁群算法的研究模型源于对真实蚂蚁觅食行为的模拟。蚂蚁在觅食过程中，会在所经路径上释放出一种具有挥发性的物质——信息素，不同蚂蚁个体通过感知信息素的存在及其强度指导自己的移动方向[6]。研究表明，蚂蚁更倾向于选择信息量较大的路径，由此形成一种正反馈机制：最优路径上的信息量越来越大，其它路径上的信息量则随时间逐渐衰减。……