由于蚁群算法不容易陷入局部最优，最后搜索到全局最优值是可保障的。
举一反三
- 蚁群算法不容易陷入局部最优，易于寻找到全局最优解。
- 蚁群算法不容易陷入局部最优，易于寻找到全局最优解。 A: 正确 B: 错误
- 关于蚁群算法的参数，下面叙述错误的是（ ）? 信息素启发因子越小，蚁群搜索的随机性越小。|期望值启发因子越大，蚂蚁在某个局部点上选择局部最短路径的可能性越大，这样搜索的收敛速度会加快。|信息素启发因子越大，蚂蚁选择以前走过的路径的可能性越大，蚁群的搜索过程越不易陷入局部最优。|期望值启发因子越大，蚁群在最优路径的搜索过程中随机性减弱，易于陷入局部最优值。
- 关于蚁群算法的参数，下面叙述错误的是（） A: 信息素启发因子越大，蚂蚁选择以前走过的路径的可能性越大，蚁群的搜索过程越不易陷入局部最优。 B: 信息素启发因子越小，蚁群搜索的随机性越小。 C: 期望值启发因子越大，蚂蚁在某个局部点上选择局部最短路径的可能性越大，这样搜索的收敛速度会加快。 D: 期望值启发因子越大，蚁群在最优路径的搜索过程中随机性减弱，易于陷入局部最优值。
- 关于蚁群算法的参数，下面叙述错误的是（） A: 期望值启发因子越大，蚁群在最优路径的搜索过程中随机性减弱，易于陷入局部最优值。 B: 信息素启发因子越小，蚁群搜索的随机性越小。 C: 信息素启发因子越大，蚂蚁选择以前走过的路径的可能性越大，蚁群的搜索过程越不易陷入局部最优。 D: 期望值启发因子越大，蚂蚁在某个局部点上选择局部最短路径的可能性越大，这样搜索的收敛速度会加快。