蚁群算法（Ant Colony Optimization, ACO）
一、概述：
又称蚂蚁算法，是一种用来在图中寻找优化路径的概率型型算法。
灵感来源于蚂蚁在寻找食物的过程中发现路径的行为，即这是一种模拟进化算法。
车间作业调度、网络路由、车辆路径、数据挖掘、航迹规划、图像处理、生命科学、布局优化等领域均有广泛应用。
具有稳定性好，全局搜索，并行分布式计算，易于其他问题结合等优点。
二、基本思想：
蚂蚁在爬行中会在路径中释放外激素：蚂蚁倾向于朝外激素强度高的方向移动。
某路径经过的蚂蚁越多，则后来者选择该路径的概率就越大。
挥发率使得有些路径上最后信息素的浓度几乎为0。
三、基本步骤：
1、核心：路径中的信息素以一定的比例挥发减少，而某蚂蚁经过的路径，信息素以一定的比例释放增加。
2、算法过程：m只蚂蚁，最大迭代次数为k。
（1）信息素的初始化。
初值太小：算法易早熟，蚂蚁很快会全部集中到一条局部最优路径中。
初值太大：信息素对搜索方向的指导作用太低，影响算法技能。
一般： i，j之间的信息素浓度和dist（表示i, j之间的距离）成反比，和蚂蚁的个数成正比。
（2）路径构建。选择路径的概率：
α和β为权值调节因子，一般α=1，β=2。
（3）信息素更新。
Vij(k) 表示第k只蚂蚁在城市i, j的边释放的信息素。该值往往取这只蚂蚁经过的整个的路径长度的（^1或^2或^3）的倒数。
Ρ表示挥发率，提出者建议用0.5。
（4）2、3步迭代K次或最短路径不再变化。
四、代码实现：
Proceure AS：
int bestRoute;
for each edge
set initial pheromone value t0 //初始化信息素
end for
while not stop //迭代次数
for each ant k //对每只蚂蚁
randomly choose an initial city //随机选择一个初始城市
for i=1 to n //
choose next city with probability
end for
compute the length Ck of the tour constructed by the kth ant //计算当前蚂蚁的路径长度
compare to update bestRoute // 比较更新最优路径长度
for each edge //更新每条路径的信息素浓度
update the pheromone value
end for
end for
end while //最短路径不再变化 或者 到达迭代次数
print result //输出最后得到的最优路径长度
end procedure
五、优势分析：
在数学领域，根据问题本身的复杂度是有分类的。
简单来说，问题分为P问题，NP问题，NPC问题，NP-hard问题。
P是多项式这个单词的首写字母，即Polynomial，【这里指多项式时间】
P问题意为 总能找到相应的经典算法 在多项式时间 里面得出最优解。
NP问题意为 不能确定是否能找到相应算法 能够在多项式时间内 得出最优解。
NPC问题可以理解成NP问题中最难（复杂度最高）的问题，也就是说很难找到相应算法 能够在多项式时间内得出最优解。
NP-hard问题可以简单理解成找不到相应算法 能够在多项式时间内得出最优解。
简单来说就是，传统的经典算法能够解决P类问题，而NP问题，特别是NPC问题，则束手无策，于是科学家们开始想办法了，既然不能在多项式时间里得出
一个最优解，那么咱们得一个较优解吧，用先验的经验知识作为启发算子，于是启发式算法诞生了，但启发式算法只能针对特定问题（比如，prime算法和
kruskal算法都是经典启发式算法，在最小生成树领域比较好的效果），启发式算法不适合跨领域，但NP问题又如此之多，怎么办，于是各种仿生学理论开
始引入计算机的算法领域，诞生了所谓的蚁群，粒子群，遗传，神经网络算法这些统称智能优化算法（元启发式算法）的东东来求较优解。
也就是说，我们在有限的时间内，无法求得最优解的情况下，转而求较优解。而且这个算法跨领域应用很广泛。这就是蚁群算法的优势吧。
【起因是准备无线传感器课堂的share，讲完觉得大家内心毫无波动甚至还想把我赶下去，然后就被神奇的赵老师praise了一下。哈哈哈...
这也成了这学期唯一听的一节无线传感器课。23333.
生活中的很多东西，背后的道理好像挺有趣的。比如，把饭卡放进微波炉转一圈能多100块？gg...有点难...】