在最大最小蚂蚁的基础上，加上动态信息素分配的规则，构成动态蚁群算法。

在SimuroSot5v5的中场策略中引入蚁群算法，通过采用信息素分区获取的方式建立起球队中场队形转换机制。该机制以球的位置为驱动信息，根据求取的信息素来确定出适当的中场队形；同时设计任务死锁的自调节模块来提高机器人的自适应能力。仿真实验结果表明，加入以分区方式获取信息素的蚁群算法决策技术，增加了中场队形转换的灵活性，使得球队的整体攻防能力上都得到了相应的改善。

对于蚁群算法做出的改进，按信息素大小进行排序

针对蚁群算法容易陷入局部最优,收敛速度慢,难以解决大规模问题,提出依据信息熵和停滞次数的动态信息素的更新策略和基于最优路径集合的奖惩策略的蚁群算法,在动态信息素更新策略中,利用收敛系数来动态调节信息素,从而有效的平衡算法的多样性和收敛性.在搜索过程中,通过持续增大收敛系数,加快了收敛速度;当信息熵降低或者停滞次数达到一定数值时,通过降低收敛系数,从而跳出局部最优.同时基于最优路径集合,对较优路径奖励,对其他路径惩罚,通过减少蚂蚁每一步可选城市的数量,加快了收敛速度.并且使用三种局部优化方法,从而进一步提高解的精度.经过实验测试,该算法用于解决旅行商 TSP(Travelling Salesman Problem)问题,具有较高的求解精度,并能有效平衡解的精度和收敛速度的矛盾.

针对传统蚁群算法在移动机器人路径规划问题中存在的易陷入局部最优与收敛速度慢等问题，提出 一种改进的蚁群算法。首先根据起点到终点距离和地图参数构建全局优选区域，提高该区域内初始信息素浓 度，避免算法初期盲目搜素；其次利用局部分块优化策略分别对各个子区域进行寻优并更新区域内最优路径 信息素，增强局部搜索能力加快收敛速度；后对全局路径进行寻优，更新全局最优路径信息素。且在信息素 更新公式中引入信息素增强因子，加强最优路径信息素含量。应用反向学习优化信息素，改进状态选择概率， 提高算法寻优能力。实验结果表明，改进后的算法明显提高了收敛速度，同时寻优能力更强。

信息素矩阵初始化 信息素矩阵维数为N*K（样本数*聚类数）初始值为0.01。 c = 10^-2; tau = ones(N,K) * c; %信息素矩阵，初始值为0.01的N*K矩阵（样本数*聚类数）

简介 蚁群算法(ant colony optimization, ACO)，又称蚂蚁算法，是一种用来在图中寻找优化路径的机率型算法。它由Marco Dorigo于1992年在他的博士论文中提出，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。蚁群算法是一种模拟进化算法，初步的研究表明该算法具有许多优良的性质。针对PID控制器参数优化设计问题，将蚁群算法设计的结果与遗传算法设计的结果进行了比较，数值仿真结果表明，蚁群算法具有一种新的模拟进化优化方法的有效性和应用价值。 定义 各个蚂蚁在没有事先告诉他们食物在什么地方的前提下开始寻找食物。当一只找到食物以后，它会向环境释放一种挥发性分泌物phero

信息素更新 对信息素矩阵进行更新，更新方法为 新值为原信息素值乘以(1 - rho)，rho为信息素蒸发率，在加上最小偏差值的倒数。 for i = 1 : N tau(i,best_solution(1,i)) = (1 - rho) * tau(i,best_solution(1,i)) + 1/ tau_F; 信息数更新之后，再根据新的信息数矩阵，判断路径。进行迭代运算。直到达到最大迭代次数，或偏离误差达到要求值。

针对蚁群算法加速收敛和早熟、停滞现象的矛盾，提出一种基于自适应路径选择和动态信息素更新的蚁群算法，以求在加速收敛和防止早熟、停滞现象之间取得很好的平衡。该算法根据优化过程中解的分布状况，自适应的调整路径选择策略和信息量更新策略。基于旅行商问题的实验验证了算法比一般蚁群算法具有更好的全局搜索能力、收敛速度和解的多样性。

在信息素更新上面对于蚁群算法所做出的改进，