---

name: forage-resources locale: wenyan source_locale: en source_commit: 82c77053 fence_basis_commit: 82c77053 translator: "Julius Brussee homage — caveman" translation_date: "2026-04-24" description: > Apply ant colony optimization and foraging theory to resource search, exploration-exploitation tradeoffs, and distributed discovery. Covers scout deployment, trail reinforcement, diminishing returns detection, and adaptive foraging strategy selection. Use when searching a large solution space where brute-force enumeration is impractical, balancing investment between exploring new approaches and deepening known good ones, optimizing resource allocation across uncertain opportunities, or diagnosing premature convergence on local optima. license: MIT allowed-tools: Read metadata: author: Philipp Thoss version: "1.0" domain: swarm complexity: intermediate language: natural tags: swarm, foraging, ant-colony-optimization, exploration-exploitation

採資

施採食論與蟻群最佳於資搜、探利權衡、分發見。

用時

• 搜大解域而暴力窮舉不切
• 於探新法與深化既善間衡投
• 於多不定機間優資分
• 為分隊或自員設搜策
• 診先收斂（困局部）或永遊（永不委）
• 補 coordinate-swarm 以特發資之模

入

• 必要：所求資之述（信、算、才、解、機）
• 必要：搜域之述（大、構、知特）
• 可選：當搜策及其敗模
• 可選：可用偵探/搜者數
• 可選：探費對利敗之費
• 可選：時程（短利對長探）

法

第一步：映採景

特資境以擇宜採策。

1. 識資類與其分：
   • 聚：資聚於富斑（如某社群之才）
   • 散：資均布（如碼庫之缺）
   • 朝：資現即散（如市機）
   • 套：富斑含異尺子斑
2. 評信景：
   • 採前資位知幾何？
   • 偵可與採者共信乎？（信設見 coordinate-swarm）
   • 景採時靜或動？
3. 定費構：
   • 每偵之費（時、算、錢）
   • 利差資之費（機費）
   • 失佳資之費（悔）

得： 特之採景附資分類、信可得、費構。此定宜用何採模。

敗則： 若景全未知，以定時預始最大探（全偵無利）以建初圖。景特明後易至宜模。

第二步：遣偵附痕標

遣探員入搜域並令標所見。

1. 配偵百分（自 20-30% 可員始）
2. 定偵行：
   • 於搜域隨機或系序動
   • 評各位（速評，非深析）
   • 以強比質之信標發：
     • 高質 → 強痕信
     • 中質 → 中信
     • 低質 → 弱信或無信
   • 返信於集（信遺、報、廣）
3. 設偵模：
   • 隨機行：宜未知均景
   • Levy 飛：偶遠跳與局聚——宜斑資
   • 系掃：格或螺——宜界定域
   • 偏隨機：向似前得之域——宜聚資

得： 偵遣於搜域，遺信比資質。景初圖自偵報現。

敗則： 若初掃偵無所得，或偵百分過低（升 50%）、搜模誤（隨機行易為 Levy 飛以斑資）、或質評誤校（降察閾）。

第三步：立痕強

造正反饋循，放成徑而令敗徑衰。

1. 採者循痕得善資時：
   • 強痕信（增強）
   • 強信引更多採者 → 更強 → 利
2. 採者循痕得無時：
   • 不強（令痕自衰）
   • 弱信引少採者 → 痕衰 → 探復
3. 設強參：
   • 遺量：比所得資質
   • 衰率：每時單位痕失 X% 強
   • 飽頂：最大痕強（防單徑失控利）

Trail Reinforcement Dynamics:
┌─────────────────────────────────────────────────────────────────────┐
│                                                                     │
│  Strong trail ──→ More foragers ──→ If good: reinforce ──→ EXPLOIT │
│       ↑                                                      │      │
│       │                              If bad: no reinforce    │      │
│       │                                     │                │      │
│       │                                     ↓                │      │
│  Decay ←── Weak trail ←── Fewer foragers ←── Trail fades    │      │
│       │                                                      │      │
│       ↓                                                      │      │
│  No trail ──→ Scouts explore ──→ New discovery ──→ New trail ↗      │
│                                                                     │
└─────────────────────────────────────────────────────────────────────┘

得： 自調反饋循，善資引漸增注而劣資自棄。系以痕動衡利與探。

敗則： 若諸採者聚單痕（先收斂），衰率過慢或飽頂過高。增衰、降頂、或引隨機探令（如 10% 採者恆略痕）。若痕衰過速無所利，減衰率。

第四步：察漸返

監資產以知何時自利返探。

1. 於各活採位追單位產：
   • 產增 → 健利續
   • 產平 → 近飽，始偵替
   • 產減 → 漸返，減採增偵
2. 施邊際值定理：
   • 較當位產率於諸知位平均率
   • 當位落於平均下時，宜離
   • 計行費（易位之費）
3. 觸偵波於：
   • 諸位總產落於閾下
   • 首位已利過預期壽
   • 境易察（未探域偵之新信）

得： 採群自然於利期（聚知善位）與探期（偵散）間易，由產監導，非任程。

敗則： 若群於竭位留過久，邊際值閾過低或行費估過高。以實產率重校。若群過早棄善位，閾過敏——加產量平滑窗。

第五步：按況適採策

按境回擇並易諸採策。

1. 配策於景：
   • 富聚：於知斑重委（高利）
   • 稀散：保高偵比（高探）
   • 易變：短痕衰、常偵波（適）
   • 競：速強、先標（領）
2. 監策—境失配：
   • 高工低產 → 策於景過利
   • 高見率低續 → 策過探
   • 產振 → 策換過急
3. 施適換：
   • 追探利比之滾平均
   • 若比偏最佳（依景類定），推返
   • 允漸易——急易致協亂

得： 採系適當境衡探利，境易時保效。

敗則： 若策適本身不穩（振於探利），加阻：失配信須持 N 時單位方觸策易。若無策似行，復察一步景特——資分或較初設更繁。

驗

• 採景已特（分類、信可得、費構）
• 偵百分與搜模已定並遣
• 痕強循有效，附遺、衰、飽參
• 漸返察觸自利回探之再衡
• 策—境配監並配適換
• 系於景易（新資、竭資）中復

陷

• 先收斂：諸採者聚首得善，略他或更佳者。治：強制探百分、痕飽頂、衰
• 永探：偵屢得新而群不委。治：降痕強質閾、減偵百分
• 略行費：易位有費。於似質位間常跳之採者於行耗多於所得。計行費於邊際值
• 動景中靜策：優昨策明日敗。建適於採循，非後加
• 混偵質於採質：善偵（廣、速評）與善採（深、徹利）需異技。勿強諸員任二職

參

• coordinate-swarm — 基協模下採信之設
• build-consensus — 群須合決何斑優先時用
• scale-colony — 資景或群大增時之採擴
• assess-form — 評系當態之 morphic 技，補景評
• configure-alerting-rules — 警模適於漸返察
• plan-capacity — 容謀與採論共探利之架
• forage-solutions — AI 自應用變體；映蟻採於單員解探附偵假與痕強