机器学习实战应用案例100篇(二十一)-蚁群算法从原理到实战应用案例
Posted 文宇肃然
tags:
篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了机器学习实战应用案例100篇(二十一)-蚁群算法从原理到实战应用案例相关的知识,希望对你有一定的参考价值。
蚁群算法(原理)
1 算法简介
优化问题在科学和工业领域都非常重要。这些优化问题的实际例子有时间表调度、护理时间分配调度、列车调度、容量规划、旅行商问题、车辆路径问题、群店调度问题、组合优化等。为此,开发了许多优化算法。蚁群优化就是其中之一。
蚁群优化(Ant colony optimization,ACO))是一种寻找 最优路径 的 概率 技术。在计算机科学和研究中,蚁群优化算法被用于解决不同的计算问题。
蚁群优化算法(Ant colony optimization, ACO)最早由Marco Dorigo在90年代的博士论文中提出。该算法是根据蚂蚁的觅食行为来寻找蚁群与源食物之间的路径。最初,它被用来解决著名的旅行推销员问题。后来,它被用于解决各种困难的优化问题。
蚂蚁是群居的昆虫。他们生活在殖民地。蚂蚁的行为受 寻找食物 目标的控制。
-
在 搜寻的过程 中,蚂蚁们会在它们的聚居地四处游荡。蚂蚁 反复 地从一个地方跳到另一个地方去寻找食物。
-
在 移动过程 中,它会在地面上沉积一种叫做 信息素 (pheromone) 的有机化合物。蚂蚁通过信息素痕迹相互交流。当蚂蚁找到一些食物时,它会尽可能多地携带。
-
当它 返回 时,它会根据食物的数量和质量在路径上 沉积信息素。蚂蚁能闻到信息素。所以,其他蚂蚁可以闻到,然后沿着那条路走。
-
信息素 水平 越高,
以上是关于机器学习实战应用案例100篇(二十一)-蚁群算法从原理到实战应用案例的主要内容,如果未能解决你的问题,请参考以下文章
机器学习实战应用案例100篇(二十)-模拟退火法从原理到实战应用案例