在 MAX-MIN 蚂蚁系统 (MMAS) 中，如果尚未找到初始信息素，它如何依赖于最佳解决方案？
In a MAX-MIN ant system (MMAS), how does the initial pheromone depend on the best solution if it's not yet been found?
我正在学习如何将最大最小蚂蚁系统添加到我当前的蚂蚁系统中。据我所读，试验信息素已初始化 tMax，tMax 的计算公式为
tMax = 1 / best tour length
但是，如果它依赖于尚不存在的旅行，那么究竟如何才能将追踪信息素初始化为 tMax？
tMin 还取决于 tMax，这也使得在没有最佳解决方案的情况下无法进行初始化。
在MMAS中，所有的边都被初始化为tauMax，但是tauMax的定义和你上面所说的略有不同：
tauMax <-- 1 / (rho * bestTourSoFarLength),
其中 rho 是蒸发率（通常设置为 0.5），到目前为止（见下文）。 tauMax 在算法执行期间反复更新，每次更新现任最佳巡回赛（到目前为止）。
为了初始化，启发式地构建了一个初始的可行路径。通常，使用随机起始城市的最近邻游览。
回想一下，在蚁群优化 (ACO)/MMAS 等随机优化方法的背景下，我们通常无法在算法终止时证明最佳现有解决方案（游览）的最优性（我们从实践中知道，但是， ACO/MMAS 在某些问题上确实表现良好，最显着的是旅行商问题 (TSP) 的变体）。因此，在诸如此类的上下文中，术语 "best solution" 不严格地表示来自不同作者的不同含义； "best so far"、"best at algorithm termination" 等等，因此在阅读有关该主题的文献时请注意这一点。
最后，请注意，tauMin 取决于——正如您所注意到的——tauMax，但通常不会在初始化后更新。当施加信息素限制时，重要的 "dynamic" 部分是单调递减的 tauMax，而由于蒸发，大多数边缘的信息素最终将落在恒定的 tauMin 处。 tauMin 的合适值由可怕的表达式给出（基于经验数据）
tauMin = tauMax*(1-(0.05)^(1/n))/((n/2-1)*(0.05)^(1/n)).
我正在学习如何将最大最小蚂蚁系统添加到我当前的蚂蚁系统中。据我所读，试验信息素已初始化 tMax，tMax 的计算公式为
tMax = 1 / best tour length
但是，如果它依赖于尚不存在的旅行，那么究竟如何才能将追踪信息素初始化为 tMax？
tMin 还取决于 tMax，这也使得在没有最佳解决方案的情况下无法进行初始化。
在MMAS中，所有的边都被初始化为tauMax，但是tauMax的定义和你上面所说的略有不同：
tauMax <-- 1 / (rho * bestTourSoFarLength),
其中 rho 是蒸发率（通常设置为 0.5），到目前为止（见下文）。 tauMax 在算法执行期间反复更新，每次更新现任最佳巡回赛（到目前为止）。
为了初始化，启发式地构建了一个初始的可行路径。通常，使用随机起始城市的最近邻游览。
回想一下，在蚁群优化 (ACO)/MMAS 等随机优化方法的背景下，我们通常无法在算法终止时证明最佳现有解决方案（游览）的最优性（我们从实践中知道，但是， ACO/MMAS 在某些问题上确实表现良好，最显着的是旅行商问题 (TSP) 的变体）。因此，在诸如此类的上下文中，术语 "best solution" 不严格地表示来自不同作者的不同含义； "best so far"、"best at algorithm termination" 等等，因此在阅读有关该主题的文献时请注意这一点。
最后，请注意，tauMin 取决于——正如您所注意到的——tauMax，但通常不会在初始化后更新。当施加信息素限制时，重要的 "dynamic" 部分是单调递减的 tauMax，而由于蒸发，大多数边缘的信息素最终将落在恒定的 tauMin 处。 tauMin 的合适值由可怕的表达式给出（基于经验数据）
tauMin = tauMax*(1-(0.05)^(1/n))/((n/2-1)*(0.05)^(1/n)).