ACO信息素更新

Question

我正在研究ACO，並對選擇下一個城市的可能性有些困惑。我已閱讀了一些論文和書籍，但仍然不清楚選擇的想法。我正在尋找一個簡單的解釋，說明這條路徑的建立。 啓發式和信息素如何進入這個決策？ 因爲我們在開始的每個邊緣有相同的信息素值，並且啓發式（接近度）值保持不變，那麼不同的螞蟻將如何根據這些值做出不同的決定？

Answer 1

也許回答問題已經太遲了，但最近我一直與ACO合作，這對我來說也有點困惑。當我需要它時，我沒有在ACO上找到很多關於ACO的信息，所以我決定回答這個問題，因爲可能這個信息對於現在或將來在ACO上工作的人是有用的。

羣體智能的算法是一套基於新興的殖民地，成羣成組的生物體的社會和合作行爲技術等

集體智慧算法蟻羣優化（ACO）是螞蟻啓發的優化算法羣落。在自然界中，一些物種的螞蟻開始隨意漫步，直到他們找到食物來源並返回他們放置信息素小徑的殖民地。如果其他螞蟻找到了這條路線，他們更有可能不會隨意走動，而是追蹤蹤跡，並在最終找到食物時加強它。

在蟻羣優化算法中，代理（螞蟻）放置在不同的節點上（通常它使用的螞蟻數量等於節點數量）。並且，選擇下一個節點（城市）的概率是基於代理人使用稱爲轉換規則的方程選擇下一個節點，該方程表示螞蟻在第th巡迴中從城市到城市的概率。

在等式中，表示信息素軌跡和兩個城市之間的可見性，而與是控制線索強度和可視性的相對重量可調節的參數。

在開始時，在所有的邊緣都有相同的信息素值。基於轉換規則，轉而基於信息素和可見性（節點之間的距離），一些路徑將比其他路徑更有可能被選擇。

當算法開始運行時，每個代理（ant）執行一次巡視（訪問每個節點），找到的最佳巡視直到更新爲新的信息素數量，這將使巡視更有可能成爲由螞蟻下次選擇。

您可以找到有關ACO在下面的鏈接的詳細信息：

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

問候，

酯