人工生态系统优化算法

人类认识事物的能力来源于与自然界的相互作用，自然界一直是人类创造力的源泉。自然界有许多自适应的优化现象不断地给人以启示，生物和自然中的生态系

统可以利用自身的演化来让许多在人类看来高度复杂的优化问题得到几乎完美的解决。近些年来一些与经典的数学问题思想不同的，试图通过模拟自然生态系统

来求解复杂优化问题的仿生学算法相继出现，如蚁群算法、遗传算法、粒子群算法等。这些算法大大丰富了现在优化技术，也为那些传统最优化技术难以处理的组

合优化问题提供了切实可行的解决方案。

生物学家通过对蚂蚁的长期的观察发现，每只蚂蚁的智能并不高，看起来没有集中的指挥，但它们却能协同工作，集中事物，建起坚固漂亮的蚁穴并抚养后代，

依靠群体能力发挥出超出个体的智能。蚁群算法是最新发展的一种模拟昆虫王国中蚂蚁群体智能行为的仿生优化算法，它具有较强的鲁棒性、优良的分布式计算机

制、易于与其他方法相结合等优点。尽管蚁群算法的严格理论基础尚未奠定，国内外的相关研究还处于实验阶段，但是目前人们对蚁群算法的研究已经由当初单一

的旅行商问题(TSP)领域渗透到了多个应用领域，由解决一维静态优化问题发展到解决多维动态组合优化问题，由离散域范围内的研究逐渐扩展到了连续域范围内的

研究从而使这种新兴的仿生优化算法展现出勃勃生机和广阔的发展前景。

人工蚂蚁与真实蚂蚁的异同比较

相同点比较

蚁群算法是从自然界中真实蚂蚁觅食的群体行为得到启发而提出的，其很多观点都来源于真实蚁群，所以算法中所定义的人工蚂蚁与真实蚂蚁存在如下共同点。

（1）都存在一个群体中个体相互交流通信的机制

人工蚂蚁和真实蚂蚁都存在一种改变当前所处环境的机制：真实蚂蚁在经过的路径上留下信息素，人工蚂蚁改变在其所经路径上存储的数字信息，该信息就是算

法中所定义的信息量，它记录了蚂蚁当前解和历史解的性能状态，而且可被其他后继人工蚂蚁读写。蚁群的这种交流方式改变了当前蚂蚁所经路径周围的环境，同

时也以函数的形式改变了整个蚁群所存储的历史信息。通常在蚁群算法中有一个挥发机制，它像真实的信息量挥发一样随着时间的推移来改变路径上的信息量。

挥发机制使得人工蚂蚁和真实蚂蚁可以逐渐地忘却历史遗留信息，这样可使蚂蚁在选择路径时不局限于以前蚂蚁所存留的“经验”。

（2）都要完成一个相同的任务

人工蚂蚁和真实蚂蚁都要完成一个相同的任务，即寻找一条从源节点（巢穴）到目的节点（食物源）的最短路径。人工蚂蚁和真实蚂蚁都不具有跳跃性，只能在

相邻节点之间一步步移动，直至遍历完所有城市。为了能在多次寻路过程中找到最短路径，则应该记录当前的移动序列。

（3）利用当前信息进行路径选择的随机选择策略

人工蚂蚁和真实蚂蚁从某一节点到下一节点的移动都是利用概率选择策略实现的，概率选择策略只利用当前的信息去预测未来的情况，而不能利用未来的信息。

所以人工蚂蚁和真实蚂蚁所使用的选择策略在时间和空间上都是局部的。

不同点比较

在从真实蚁群行为获得启发而构造蚁群算法的过程中，人工蚂蚁还具备了真实蚂蚁所不具备的一些特性：

（1）人工蚂蚁存在于一个离散的空间中，它们的移动是从一个状态到另一个状态的转换；

（2）人工蚂蚁具有一个记忆其本身过去行为的内在状态；

（3）人工蚂蚁存在于一个与时间无关联的环境中；

（4）人工蚂蚁不是完全盲从的，它还受到问题空间特征的启发。例如有的问题中人工蚂蚁在产生一个解后改变信息量，但无论哪种方法，信息量的更新并不是随

时都可以进行的；

（5）为了改善算法的优化效率，人工蚂蚁可增加一些性能，如预测未来、局部优化、回退等，这些行为在真实蚂蚁中是不存在的。在很多具体应用中，人工蚂蚁

可在局部优化过程中相互交换信息，还有一些改进蚁群算法中的人工蚂蚁可实现简单预测