绪 论
蚁群算法 ACA（Ant Colony Algorithm）是由意大利学者 M.Dorigo 等人于 20
世纪 90 年代初提出来的一种新的模拟进化算法，其真实的模拟了自然界蚂蚁群
体的觅食行为。近年来许多专家学者致力于蚁群算法的研究，并将其应用于交通、
通信、电力等领域，成功解决了许多组合优化问题。
自然界中的蚂蚁觅食是一个群体性行为，并非单只蚂蚁自行寻找食物源。蚂
蚁在寻找食物源时，会在其经过的路径上释放一种信息素，并能够感知其他蚂蚁
释放的信息素。信息素浓度的大小表征路径的远近，信息素浓度越高，表示对应
的路径距离越短。通常蚂蚁会以较大的概率优先选择信息素浓度较高的路径，并
释放一定量的信息素，以增强该路径上的信息素浓度，这样会形成一个正反馈。
最终，蚂蚁能够找到一条从巢穴到食物源的最佳路径，即最短距离。生物学家同
时也发现，路径上的信息素浓度会随着时间的推进而逐渐衰减。
将蚁群算法应用于解决优化问题的基本思路为：用蚂蚁的行走路径表示待优
化问题的可行解，整个蚂蚁群体的所有路径构成待优化问题的解空间。路径较短
的蚂蚁释放的信息素量较多，随着时间的推进，较短路径上积累的信息素浓度逐
渐增高，选择该路径的蚂蚁个数也越来越多。最终，整个蚂蚁会在正反馈的作用
下集中到最佳路径上，此时对应的便是待优化问题的最优解。
路径规划算法是指在有障碍物的工作环境中寻找一条从起点到终点的、无碰
撞地绕过所有障碍物的最优运动路径。现在的路径规划算法中，大部分算法是在
二维平面或准二维平面中进行路径规划。已有的三维路径规划算法主要包括 A*
算法、遗传算法、粒子群算法等，但是 A*算法的计算量会随着维数的增加而急
剧增加，遗传算法和粒子群算法只是准三维规划算法。
蚁群算法具有分布计算、群体智能等优势，在路径规划上具有很大潜力，在
成功用于二维路径规划的同时也可用于三维路径规划。
