试根据基本蚁群优化算法的程序结构流程，写出基本蚁群优化算法的伪代码

蚁群优化算法（Ant Colony Optimization, ACO）是一种模拟蚂蚁觅食行为的启发式算法，用于解决组合优化问题。基本蚁群优化算法的程序结构流程可以大致分为以下几个步骤：

1. 初始化参数：设置蚁群规模、信息素重要程度因子、启发式因子重要程度因子、信息素蒸发率、最大迭代次数等参数。
2. 构建初始信息素：在所有路径上初始化信息素浓度。
3. 蚂蚁构造解：每只蚂蚁根据概率选择下一个节点，直到所有蚂蚁都构建出完整的解。
4. 更新信息素：根据蚂蚁构建的解来更新路径上的信息素。
5. 检查终止条件：如果达到最大迭代次数或其他终止条件，则停止迭代；否则，返回步骤3继续迭代。

以下是基本蚁群优化算法的伪代码：

初始化参数：
    设置蚁群数量N_ants
    设置信息素重要程度因子alpha
    设置启发式因子重要程度因子beta
    设置信息素蒸发率rho
    设置信息素增量Q
    设置最大迭代次数max_iter

构建初始信息素矩阵：
    对于每条路径(p-q)，初始化信息素τ(p-q)为初始值τ_0

迭代寻优：
    对于t=1至max_iter：
        对于每只蚂蚁k=1至N_ants：
            初始化蚂蚁k的位置信息
            While(蚂蚁k未完成路径)：
                选择下一个节点q，依据概率P(p-q)_k=τ(p-q)^alpha * η(p-q)^beta / Σ(τ(p-x)^alpha * η(p-x)^beta)，其中x是可选节点
                更新蚂蚁k的位置信息
            结束While
            记录蚂蚁k的路径长度L_k

        更新信息素：
            对于每条路径(p-q)：
                计算所有蚂蚁在路径(p-q)上的信息素增量Δτ(p-q)
                更新路径(p-q)的信息素：τ(p-q) = (1 - rho) * τ(p-q) + Δτ(p-q)
            结束For

        记录并输出最佳解

    结束For

结束迭代寻优，输出最优解