摘 要：蚁群算法是生物算法的一种，是根据模仿蚁群在寻找最优、最短路径方面的能力，模仿蚁群的搬运食物的工作思想，形成數学算法，从而实现问题的优化。具体应用领域众多，本文就蚁群算法的思想，工作模型的塑造，以及存在的优势与不足进行了详细介绍，就未来发展方向进行了展望。
关键词：蚁群算法；优势与不足；数据模型；应用领域
一、蚁群算法思想以及工作原理：
蚁群算法是智能算法的一种，借鉴的是大量蚁群在搬运食物以及蚁群需要的物品时候，总能够找到最短的搬运路径，从而大大降低了搬运的时间，极大程度的提高了工作效率，找到了一些问题的优化路径以及解决方法。通过生物学方式，人们找到了蚁群寻找最短路径的方式。蚂蚁的并不是拥有很高的智商，他们最初在进行路径选择的时候，是进行随机选择的，但在路径的行走过程中，蚂蚁释放出一种信息熵，也就是一种特殊的气味，而这种气味的特点是能够随着时间进行挥发，从而使得气味变淡。那么，我们就会发现，越短的路径信息熵挥发的越少，气味越浓，也就会吸引更多的蚂蚁，根据气味进行路径的选择。同时，越多的蚂蚁走过较短路径，也会使得信息熵浓度升高，从而让蚁群获得优解，获取较短的搬运路径。那么把这个思想应用在算法当中，适合路径选择，解集的优化等问题的解决。可以具化在多个领域当中。
蚁群算法及应用研究
二、蚁群算法的优势与不足：
2.1蚁群算法属于进化算法之一，蚁群算法也属于并行算法思想范畴之内。所以具有较好的并行计算能力。
2.2收敛速度快，寻找最优时间短。这是因为这种算法具有正反馈的特点，如思想所描述的，信息熵越高，路径就可能越短，那么越多的蚂蚁会选择相应的路径，同时每只蚂蚁作为个体，又会释放自身的信息熵，使得信息熵的浓度更高，正向反馈。
2.3算法模型不局限于具体的应用，可以通过数学模型进行拓展使用，应用在多个领域，具有很强的鲁棒性。
2.4针对目标为求解集合，也就是对应的蚁群，不是以最佳为目标，而是解集的集群较优为目标。
2.5问题与不足：在蚁群算法使用中，初始路径选集范围过广，搜索范围相对较大，耗费较大的计算和搜素时间，不容易完成任务。其次，在搜索到一定步骤后，容易出现无解状态，尤其是各个路径相对接近，难以区分的时候，这个时候单纯使用蚁群算法难以满足问题的优化目标。
三、蚁群算法应用举例：
3.1货郎问题
路线求解问题：当有n个城市，一个旅行者由其中某一个需市作为起点出发，需要不重复地经过所以结点后回到原点，求其最短路线。当城市数等于24个时，只需要1s时间就可以计算完成，但随着城市数增加，计算难度呈几何级数增大，当城市数增加到30个时，计算时间需要10年多，计算难度很大。在这里用蚁群算法来解决。城市个数用n表示， 规定每只蚂蚁选择的城市必须是不曾到过的，只有到达过所有的城市后才到回到出发城市。所以在这里为每只蚂蚁建立一个禁忌表tabuk（k=1，2，…，m），将第k只蚂蚁访问过的城市放入禁忌表中，禁忌表不是固定不变的，随着第k只蚂蚁的运动进行动态调整。每只蚂蚁选择要访问的下一个城门需要通过概率函数来实现，概率函数并不是随机的，而是与两个城市间的距离和两个城市间的信息素大小有关的。随着时间流逝，路径上如果遗留的信息素太多就消弱启发信息的作用，所以在每只蚂蚁每访问完一个城市或者访问完所有城市后，需要更新信息素。
3.2题库出卷策略问题：
题库组卷策略中使用蚁群算法，一般是为了提升组卷的成功率与组卷时间。是为了智能组卷系统服务。进行的作用是要形成试卷基本约束相同的试卷（如分数、类型、题目）等，但试卷又并不完全相同，这种方式在国外的认证考试中一直在使用。为了公平，体现智能化能力，要控制难度范围，将难度控制在中等难度范围之内。同时要关注区分度的计算，所谓区分度，是每道试题的难度，并不能根据专家和老师进行评分而获得，更加不能针对不同群体，一成不变。可以根据针对性测试，通过算法公式进行计算，而进行难度数值设定，这就是试题难度区分度的计算过程。而智能组卷如果单纯使用蚁群算法容易出现计算失败，同时在计算初期速度较慢，如果使用遗传算法，在初期虽然计算较快，但是伴随迭代次数的增多，容易出现后期计算减慢，同时遗传算法是最优解不是针对整个群体，因此，蚁群算法与遗传算法的整合，适合组卷策略的智能实现。
发展与展望：蚁群算法发展的时间并不很长，适合多种问题的优化，同时是针对集合的优化算法，同时又具有并行算法和进化算法的特点，还有很大的发展空间，尤其是在与其它算法的融合方面，现在很多系统都采用蚁群算法和其它算法的融合，从而实现提升算法速度，保证算法成功率的目的。蚁群算法发展空间巨大。
结束语：了解蚁群算法的工作思想，从编码与开发角度，尝试实现蚁群算法的应用。加深对蚁群算法的理解，从优势出发，扬长避短，利用算法融合提升蚁群算法的工作前景。
参考文献：
[1]陈成，邢立宁.求解柔性作业车间调度问题的遗传—蚁群算法[J].计算机集成制造系统.2011（03）
[2]王万良，赵澄，熊婧，徐新黎.基于改进蚁群算法的柔性作业车间调度问题的求解方法[J].系统仿真学报.2008（16）
[3]张超勇，饶运清，李培根，邵新宇.柔性作业车间调度问题的两级遗传算法[J].机械工程学报.2007（04）
[4]张维存，郑丕谔，吴晓丹.蚁群遗传算法求解能力约束的柔性作业车间调度问题[J].计算机集成制造系统.2007（02）
[5]张超勇，饶运清，李培根，刘向军.求解作业车间调度问题的一种改进遗传算法[J].计算机集成制造系统.2004（08）
[6]刘建华，杨建国，刘华平，耿鹏，高蒙.基于势场蚁群算法的移动机器人全局路径规划方法[J].农业机械学报.2015（09）
[7]于海璁，陆锋.一种基于遗传算法的多模式多标准路径规划方法[J].测绘学报.2014（01）
