了解一下

人工神经网络（ANN）是大脑及其活动的一个理论化的数学模型，由大量的处理单元（神经元）互连而成的，是神经元联结形式的数学抽象，是一个大规模的非线性自适应模型。人工神经网络具有高速的运算能力，很强的自学习能力、自适应能力和非线性映射能力以及良好的容错性，因而它在模式识别、图像处理、信号及信息处理、系统优化和智能控制等许多领域得到了广泛的应用。
人工神经网络的学习算法可以分为：局部搜索算法，包括误差反传（BP）算法、牛顿法和共轭梯度法等；线性化算法；随机优化算法，包括遗传算法（GA）、演化算法（EA）、模拟退火算法（SA）等。
蚁群算法（ant colony algorithm，简称ACA）是一种最新提出的新型的寻优策略,基于模拟蚂蚁群行为的随机搜索优化算法。虽然单个蚂蚁的能力非常有限，但多个蚂蚁构成的群体具有找到蚁穴与食物之间最短路径的能力，这种能力是靠其在所经过的路径上留下的一种挥发性分泌物（pheromone）来实现的。蚂蚁个体间通过这种信息的交流寻求通向食物的最短路径。已有相关计算实例表明该算法具有良好的收敛速度，且在得到的最优解更接近理论的最优解。
前向人工神经网络具有数层相连的处理单元，连接可从一层中的每个神经元到下一层的所有神经元，且网络中不存在反馈环，是常用的一种人工神经网络模型。
蚁群算法简介
　　蚂蚁在路径上前进时会根据前边走过的蚂蚁所留下的分泌物选择其要走的路径。其选择一条路径的概率与该路径上分泌物的强度成正比。因此，由大量蚂蚁组成的群体的集体行为实际上构成一种学习信息的正反馈现象：某一条路径走过的蚂蚁越多，后面的蚂蚁选择该路径的可能性就越大。蚂蚁的个体间通过这种信息的交流寻求通向食物的最短路径。蚁群算法就是根据这一特点，通过模仿蚂蚁的行为，从而实现寻优。这种优化过程的本质在于：
　　选择机制：分泌物越多的路径，被选择的概率越大。
　　更新机制：路径上面的分泌物会随蚂蚁的经过而增长，而且同时也随时间的推移逐渐挥发消失。
　　协调机制：蚂蚁间实际上是通过分泌物来互相通信、协同工作的。
　　蚁群算法正是充分利用了选择、更新和协调的优化机制，即通过个体之间的信息交流与相互协作最终找到最优解，使它具有很强的发现较优解的能力。
　　蚁群算法具体实现
　　蚁群算法求解连续空间上的优化问题 以求解非线形规划问题为例。考虑如下的非线性规划问题：minF(x1,x2,Λ,xn)，使得，ai1x1+ai2x2+Λ+ainxn≥bi，i=1,2,Λ,r。这里F为任一非线形函数，约束条件构成Rn上的一个凸包。可以使用不等式变换的方法求得包含这个凸包的最小的n维立方体。设该立方体为
　　
　　
　　设系统中有m只蚂蚁，我们将解的n个分量看成n个顶点，第i个顶点代表第i个分量，在第i个顶点到第i+1个顶点之间有ki条连线，代表第i个分量的取值可能在ki个不同的子区间。我们记其中第j条连线上在t时刻的信息量为τij(t)。每只蚂蚁要从第1个顶点出发，按照一定的策略选择某一条连线到达第2个顶点，再从第2个顶点出发，…，在到达第n个顶点后，在kn条连线中选取某一条连线到达终点。每个蚂蚁所走过的路径代表一个解的初始方案，它指出解的每一个分量所在的子区间。用pijk(t)表示在t时刻蚂蚁k由城市i转移到城市j的概率，则（式(7)）
　　
　　为了确定解的具体值，可在各个子区间已有的取值中保存若干个适应度较好的解的相应分量作为候选组，为了加快收敛速度，参考具有变异特征的蚁群算法提出的具有变异特征的蚁群算法，使用遗传操作在候选组中确定新解的相应分量的值。首先可随机在候选组中选择两个值，然后对他们实行交叉变换、变异变换，以得到新值作为解的相应分量。该候选组中的值在动态的更新，一旦有一个更好的解的分量在该子区间中，就用这个值替换其中的较差者。