ACO 信息素更新
ACO Pheromone update
我正在研究 ACO，对选择下一个城市的概率有点困惑。我已经阅读了一些论文和书籍，但仍然不清楚选择的想法。我正在寻找一个简单的解释这个路径构建是如何工作的。
此外，启发式方法和信息素是如何参与决策的？
因为一开始我们在每条边上都有相同的信息素值，并且启发式（接近度）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？
也许回答问题已经太晚了，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，我没有在 Whosebug 上找到太多关于 ACO 的信息，所以我决定回答这个问题，因为也许这个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以群体、群体等形式分组的生物体的新兴社会和合作行为的技术。
群智算法蚁群优化（ACO）是一种受蚁群启发的优化算法。在自然界中，某些物种的蚂蚁最初会随机游荡，直到它们找到食物来源并 return 到它们的蚁群并留下信息素踪迹。如果其他蚂蚁找到了这条小路，它们就更有可能不会继续随机移动，而是沿着这条小路走，并在最终找到食物时加强它。
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）的概率基于智能体使用称为转移规则的方程式选择下一个节点，该方程表示蚂蚁在第 th 次旅行中从一个城市到另一个城市的概率。
方程中， 代表信息素踪迹和两个城市之间的能见度，而 和 是可调参数，控制踪迹强度和能见度的相对权重。
开始时所有边的信息素值相同。基于转换规则，而转换规则又基于信息素和可见性（节点之间的距离），某些路径将比其他路径更有可能被选择。
当算法开始运行每个智能体（蚂蚁）执行一次巡回（访问每个节点）时，直到此刻找到的最佳巡回将被更新为新数量的信息素，这将使下一次旅行更有可能被蚂蚁选中。
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
此致，
酯
我正在研究 ACO，对选择下一个城市的概率有点困惑。我已经阅读了一些论文和书籍，但仍然不清楚选择的想法。我正在寻找一个简单的解释这个路径构建是如何工作的。 此外，启发式方法和信息素是如何参与决策的？ 因为一开始我们在每条边上都有相同的信息素值，并且启发式（接近度）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？
也许回答问题已经太晚了，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，我没有在 Whosebug 上找到太多关于 ACO 的信息，所以我决定回答这个问题，因为也许这个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以群体、群体等形式分组的生物体的新兴社会和合作行为的技术。
群智算法蚁群优化（ACO）是一种受蚁群启发的优化算法。在自然界中，某些物种的蚂蚁最初会随机游荡，直到它们找到食物来源并 return 到它们的蚁群并留下信息素踪迹。如果其他蚂蚁找到了这条小路，它们就更有可能不会继续随机移动，而是沿着这条小路走，并在最终找到食物时加强它。
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）的概率基于智能体使用称为转移规则的方程式选择下一个节点，该方程表示蚂蚁在第 th 次旅行中从一个城市到另一个城市的概率。
方程中， 代表信息素踪迹和两个城市之间的能见度，而 和 是可调参数，控制踪迹强度和能见度的相对权重。
开始时所有边的信息素值相同。基于转换规则，而转换规则又基于信息素和可见性（节点之间的距离），某些路径将比其他路径更有可能被选择。
当算法开始运行每个智能体（蚂蚁）执行一次巡回（访问每个节点）时，直到此刻找到的最佳巡回将被更新为新数量的信息素，这将使下一次旅行更有可能被蚂蚁选中。
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
此致，
酯