蟻群算法及其應用實例
螞蟻在運動過程中，可以在行走的路徑上留下信息素，後來的螞蟻可以感知到信息素的存在，信息素濃度越高的路徑越容易被後來的螞蟻選擇，從而形成壹種正反饋現象。
它能夠求出從原點出發，經過若幹個給定的需求點，最終返回原點的最短路徑。這也就是著名的旅行商問題(Traveling Saleman Problem，TSP)。
若螞蟻從A點出發到D點覓食，它可以隨機從ABD或ACD中選擇壹條路。假設初始時為每條路分配壹只螞蟻，每個時間單位行走壹步，則經過8個時間單位後，情形如下圖所示：ABD路線的螞蟻到達D點，ACD路線的螞蟻到達C點。
那麽，再過8個時間單位，很容易可以得到下列情形：ABD路線的螞蟻回到A點，ACD路線的螞蟻到達D點。
α 代表信息素量對是否選擇當前路徑的影響程度，反映了蟻群在路徑搜索中隨機性因素作用的強度。
α 越大，螞蟻選擇以前走過的路徑的可能性越大，搜索的隨機性就會減弱。
α 過小，會導致蟻群搜索過早陷入局部最優，取值範圍通常為[1,4]。
β 反映了啟發式信息在指導蟻群搜索中的相對重要程度，蟻群尋優過程中先驗性、確定性因素作用的強度。
β 過大，雖然收斂速度加快，但是易陷入局部最優。
β 過小，蟻群易陷入純粹的隨機搜索，很難找到最優解。通常取[0,5]。
ρ 反映了信息素的蒸發程度，相反，1-ρ 表示信息素的保留水平
ρ 過大，信息素會發過快，容易導致最優路徑被排除。
ρ 過小，各路徑上信息素含量差別過小，以前搜索過的路徑被在此選擇的可能性過大，會影響算法的隨機性和全局搜索能力。通常取[0.2,0.5]。
m過大，每條路徑上信息素趨於平均，正反饋作用減弱，從而導致收斂速度減慢。
m過小，可能導致壹些從未搜索過的路徑信息素濃度減小為0，導致過早收斂，解的全局最優性降低
總信息量Q對算法性能的影響有賴於αβρ的選取，以及算法模型的選擇。
Q對ant-cycle模型蟻群算法的性能沒有明顯影響，不必特別考慮，可任意選取。