AI 詞彙表
人工智能完整詞典
Algorithme de Colonie de Fourmis (ACO)
Métaheuristique inspirée du comportement des fourmis réelles utilisant des phéromones artificielles pour trouver des solutions optimales dans les problèmes d'optimisation combinatoire. L'algorithme simule le dépôt et l'évaporation de phéromones pour guider la recherche vers les meilleures solutions.
Évaporation des phéromones
Mécanisme de décroissance exponentielle des concentrations de phéromones permettant d'éviter la convergence prématurée et de favoriser l'exploration de nouvelles solutions. Ce processus simule l'évaporation naturelle des phéromones dans les colonies de fourmis réelles.
Probabilité de transition
Règle probabiliste déterminant le choix du prochain élément à ajouter à une solution partielle par une fourmi, basée sur les niveaux de phéromones et l'information heuristique locale. Cette probabilité combine l'apprentissage collectif et l'information à priori pour guider la recherche.
Construction de solution
Processus itératif où chaque fourmi construit une solution complète en ajoutant séquentiellement des composants selon les probabilités de transition. La construction est probabiliste mais biaisée par les traces de phéromones laissées par les solutions précédentes.
Mise à jour locale des phéromones
Mécanisme de modification des traces de phéromones effectué par chaque fourmi immédiatement après avoir ajouté un composant à sa solution partielle. Cette mise à jour locale réduit la probabilité que les autres fourmis choisissent le même chemin pendant la même itération.
Mise à jour globale des phéromones
Processus appliqué après la construction de toutes les solutions dans une itération, où seules les meilleures solutions déposent des phéromones pour renforcer les composants prometteurs. Ce mécanisme concentre la recherche sur les régions les plus prometteuses de l'espace de solutions.
Optimisation combinatoire
Classe de problèmes mathématiques consistant à trouver la meilleure configuration parmi un ensemble fini mais très grand de solutions possibles. Les algorithmes de colonie de fourmis sont particulièrement efficaces pour résoudre ces problèmes NP-difficiles.
Problème du voyageur de commerce (TSP)
Problème classique d'optimisation combinatoire où l'objectif est de trouver le chemin le plus court visitant chaque ville exactement une fois avant de retourner au point de départ. Le TSP est souvent utilisé comme benchmark pour évaluer les performances des algorithmes de colonie de fourmis.
参数 alpha (α)
控制蚁群算法（ACO）中转移概率计算时信息素痕迹影响的系数。较高的 alpha 值有利于利用先前发现的解。
参数 beta (β)
调节启发式信息在转移选择中重要性的参数，通常代表局部可见性或移动的局部期望度。该参数平衡集体学习与问题的先验信息。
参数 rho (ρ)
信息素蒸发率，为 0 到 1 之间的系数，决定信息素痕迹在迭代间衰减的速度。该参数控制系统中累积信息的持久性。
参数 Q
用于量化蚂蚁沉积信息素量的常数，通常与找到的解的质量成正比。该参数影响系统中优质解的强化强度。
候选列表
一种优化机制，将下一步移动的选择限制在基于局部启发式最有前景的选项子集中。该技术通过专注于潜在更优的解来加速收敛。
可见性启发式
关于移动局部期望度的静态或动态信息，通常基于问题的属性（如旅行商问题中的距离）。该启发式独立于累积的信息素引导蚂蚁。
搜索多样化
旨在维持解空间不同区域的探索以避免停滞在局部最优的策略。在 ACO 中，它主要由蒸发率和转移参数控制。
搜索强化
将搜索努力集中于迄今为止发现的最有前景解周围的过程。该策略利用通过信息素累积的信息来细化现有解。