拣货员多走的那四百米，和一群看不见的蚂蚁：生物启发算法在仓库里的样子

凌晨两点，南京江宁一个电商仓。拣货员老周推着车从 A 区走到 C 区，抓了两个箱子，又折回 A 区隔壁那排货架。

单子上十二件货，散在十四个货位里。他多走了大概四百米。

这四百米，就是我那阵子天天盯着的东西。

电商仓库拣货员推车行走路径实拍图

蚂蚁没学过运筹学，可它天生会抄近路

上世纪九十年代，意大利人 Dorigo 蹲在路边看蚂蚁搬家。他注意到一件事：蚂蚁一开始是乱走的，可过一会儿，越来越多的蚂蚁挤在一条相对短的通道上。没人指挥。

秘密在信息素。蚂蚁走过的地方会留下这种化学痕迹，短路径上蚂蚁来回一趟花的时间少，同样时间里能踩出更多痕迹，浓度就更高。后面的蚂蚁呢，是按概率挑路的——哪边味道重，往哪边走的可能性就大一点。

这叫正反馈。但光有正反馈会死锁，所有蚂蚁都堵在一条道上，别的路再近也没人试。所以还有第二个机制：挥发。气味随着时间变淡，老路慢慢被忘掉，蚂蚁就有了重新探索的机会。

把这事翻译成公式，其实就一行味道：某条边被选中的概率，正比于信息素浓度的 α 次方，乘上启发式信息的 β 次方。前者是“祖宗走过的路”，后者是“眼前看着近的路”。α 调大，蚂蚁保守；β 调大，蚂蚁短视。

再把它挪到仓库：货位是节点，通道是边，一趟拣货就是串起若干个节点再回到起点。这不就是旅行商问题（TSP）的亲戚吗？只不过现实版本还带着容量、时间窗、重货压底这些附加条件。

写进代码里，它其实很小，但参数能要命

蚁群算法的骨架特别朴素。三块状态：一张信息素矩阵、每只蚂蚁当前走过的行程、还有一张“禁忌表”——不让同一只蚂蚁回头啃同一个货位。每轮迭代，所有蚂蚁各自造一条完整路线，然后按路线长短往回补信息素。

真正折磨人的是参数。

我们头回上线那版，挥发率 ρ 设成了 0.9。结果呢？蚂蚁集体失忆，每轮都从零开始摸，跑了五百代还在原地打转。改成 0.01，另一个极端，全仓的蚂蚁挤在一条道上，那场面，像早高峰的应天大街。

后来稳定下来的做法是：ρ 控制在 0.1 到 0.3 之间，蚂蚁数量大概取货位数的三分之一，再加上局部信息素更新——蚂蚁每走一步就让那条边掉一点味道，主动抑制早熟。这些小动作论文里都有，但只有自己踩过坑，才知道哪条不是废话。

蚁群算法信息素正反馈路径选择示意图

业务现场不讲情面：约束比算法难十倍

算法能跑通，跟系统能上线，中间隔着一条长江。

订单有承诺时间，货架有承重，拣货车就那么大格子，冷冻区的东西不能压在常温货上面。更麻烦的是人——同一个拣货员对自己片区的熟悉度，是影响实际耗时的隐性变量，而它压根不在模型里。

所以纯蚁群在我们这儿很少单独出现。常见的组合是：蚁群负责出“顺序”，规则引擎负责“分配”。先让蚂蚁排出一趟该走哪些货位的次序，再由另一套逻辑决定这些货塞进几辆车、谁去跑。或者反过来，蚁群给一个粗糙的初始解，后面交给 2-opt、or-opt 这类局部搜索去打磨边角，效果往往比纯蚁群好一大截。

规模上来之后，还得先做分块。三千个货位的仓，一次性丢给蚂蚁，迭代到天亮也出不来。我们的做法是按通道聚类，切成十几块，每块单独跑，再拼回去做跨区修正。

说个实际数字。某仓八个拣货员，日均一千六百单，路径里程降了大约百分之十八。代价呢？求解时间从原来的两百毫秒涨到三点五秒。所以它是离线批次跑的，凌晨排好第二天的波次，不是每来一单就现算。实时场景下，那三秒半足够客户把页面刷三遍了。

别被“仿生”两个字骗了

误区挺多的，捡几个说。

误区一：仿生就等于更强。不是。节点数少、约束简单的时候，动态规划或者分支定界能给出精确解，蚁群在边上看着就行。它的价值恰恰在“精确解算不动”的地方——约束多到装不进求解器，或者规模大到算不完。

误区二：跑一次就完事了。这是随机算法，同一批订单跑两遍，结果不一样。客户会问：你们系统怎么每次给的路线都不同？这个质疑很合理。我们的应对是固定随机种子、多次重启取稳定的那条、把决策依据写进日志，至少让人能追问下去。

误区三：参数照着论文抄。抄不来。货位分布一改、通道宽窄一变、订单结构一换，参数就得重调。我们内部留了一张场景和参数的对照表，靠的是拿历史订单回放跑出来的，不是从表格里抠的。

至于局限，也挺实在：收敛慢、容易早熟停滞、缺少漂亮的收敛性证明，而且对动态变化反应迟钝。中途插进来一张加急单，你要么重跑，要么做局部修复，两种都有代价。

粒子群算法粒子速度位置迭代更新原理图

横向看一眼，虫子不止蚂蚁

横向看一眼，虫子不止蚂蚁

粒子群（PSO）：模拟鸟群找食，靠速度和位置迭代。连续空间里它挺好用，参数寻优、PID 整定经常见；可放到离散的路径排序上，就有点别扭，得做各种编码转换。

遗传算法（GA）：编码、交叉、变异三件套。交叉算子是命门。路径问题里直接拿顺序交叉，很容易把一条本来不错的路线切得稀碎。

模拟退火：其实来自冶金，跟生物没半毛钱关系，但经常跟蚁群搭伙——先蚁群铺个底，再退火慢慢磨。

还有蜂群、萤火虫、布谷鸟、菌群……名字越来越文艺。说句不客气的话，不少新名字只是老方法的换皮，换个比喻，公式还是那个公式。

这两年有新玩法冒出来：用神经网络学一个启发式，先预测个粗略顺序，再交给蚁群或者局部搜索去修；也有拿强化学习去挑算子的。思路挺好，但别急着上，先问自己一句：我的问题，值不值得为它养一个模型。

老周现在一天少走三公里左右。他不知道什么叫信息素，也不需要知道。他只知道系统给的顺序，好像比以前顺一点了。

这就是生物启发算法在我眼里的样子。它不神秘，也不算聪明，本质上是在没路的山上摸黑探路——靠一堆笨蚂蚁反复试错，把走不通的方向慢慢忘掉。它能干的事，是当你既写不出精确解、又等不起的时候，给一个“还不错”的答案。

但前提是你得先知道山在哪。约束长什么样、成本怎么算、哪条规则其实可以松一松。这些想不清楚，再多的蚂蚁也只是在仓库里绕圈。