ant-colony - ACO 信息素更新

Question

我正在研究 ACO，对选择下一个城市的可能性有点困惑。我已经阅读了一些论文和书籍，但仍然不清楚选择的想法。我正在寻找这个路径构建如何工作的简单解释。此外，启发式和信息素是如何进入这个决策的？因为一开始我们在每条边都有相同的信息素值，并且启发式（接近）值保持不变，那么不同的蚂蚁将如何根据这些值做出不同的决定呢？

Answer 1

也许回答问题为时已晚，但最近我一直在与 ACO 合作，这对我来说也有点困惑。当我需要它时，我没有找到关于 ACO 的 stackoverflow 的太多信息，所以我决定回答这个问题，因为也许这些信息对现在或将来从事 ACO 工作的人有用。

群体智能算法是一组基于群体、群体等生物的新兴社会和合作行为的技术。

集体智能算法蚁群优化（ACO）是一种受蚁群启发的优化算法。在自然界中，一些物种的蚂蚁最初会随机游荡，直到它们找到食物来源并返回它们的蚁群并留下信息素踪迹。如果其他蚂蚁发现了这条小路，它们更有可能不会继续随意移动，而是沿着这条小路走，如果最终找到食物，就会加强它。

在蚁群优化算法中，代理（蚂蚁）被放置在不同的节点上（通常使用的蚂蚁数量等于节点的数量）。并且，选择下一个节点（城市）的概率是基于代理使用称为转移规则的方程选择下一个节点的，它表示蚂蚁在第一次旅行中从一个城市到另一个城市的概率。

在方程中， 代表信息素轨迹和两个城市之间的能见度，而 和 是控制轨迹强度和能见度的相对权重的可调参数。

一开始，所有边缘的信息素值都相同。基于转移规则，而转移规则又基于信息素和可见性（节点之间的距离），一些路径将比其他路径更有可能被选择。

当算法开始运行时，每个代理（蚂蚁）执行一次旅行（访问每个节点），直到那一刻找到的最佳旅行将被更新为新数量的信息素，这将使该旅行更有可能被下次选择蚂蚁。

您可以在以下链接中找到有关 ACO 的更多信息：

http://dataworldblog.blogspot.com.es/2017/06/ant-colony-optimization-part-1.html

http://dataworldblog.blogspot.com.es/2017/06/graph-optimization-using-ant-colony.html

http://hdl.handle.net/10609/64285

问候，

酯