殖民演算法

A. 什麼是帝國主義的競爭演算法

一、定義：帝國競爭演算法(imperialist competitive algorithm, ICA )是一種受帝國競爭行為啟發的新的智能優化演算法，它與粒子群優化(PSO)、蟻群(BCO)等演算法一樣，都屬於基於群體的隨機優化搜索演算法。
二、詳細介紹：
受帝國主義殖民競爭機制的啟發，Atashpaz-Gargari和Lucas於2007年提出了一種新的智能優化演算法—帝國競爭演算法 (ICA)。與GA, PSO, ABC等受生物行為啟發的群智能演算法不同，ICA受社會行為啟發，通過摸擬殖民地同化機制和帝國競爭機制而形成的一種優化方法。ICA也是一種基於群體的優化方法，其解空間由稱為國家的個體組成。ICA將國家分為幾個子群，稱為帝國。在每個帝國內，ICA通過同化機制使非最優的國家(殖民地)向最優國家(帝國主義國家)靠近，該過程類似於PSO。帝國競爭機制是ICA的關鍵，ICA通過帝國競爭機制將最弱帝國中的一個或多個殖民地移動到其他帝國，使帝國之間可以進行信息交互。
目前，國外已有許多學者對ICA的性能改進以及實際應用進行了大量的研究，也取得了一定的進展。ICA已被廣泛用於解決各種實際的優化問題，如調度問題、分類問題、機械設計等。然而，該演算法仍然存在多樣性下降較快、易早熟收斂等缺陷。另外，ICA提出的時間較短，尚有很大的研究空間。
三、優點：

帝國競爭演算法與PSO, GA相比，收斂速度快、收斂精度高，具有較強的全局收斂性。演算法利用殖民地向帝國主義國家移動進行局部搜索，即在較優區域內進行大力度開采，保證了演算法的局部搜索能力。同時，帝國競爭操作使帝國內的殖民地可以向其他帝國移動，突破了原來的搜索范圍，增加了種群多樣性，在一定程度上起到克服「早熟」現象的作用。此外，帝國合並操作大大加快了演算法的收斂速度，對於低維度優化問題，具有較明顯的優勢。
四、存在的問題：
群智能優化演算法的「開采」和「勘探」能力是互相制約的，「開采」能力較強時，群體的多樣性會受影響，而「勘探」能力較強則演算法的全局收斂速度會變慢。原始的ICA演算法還不能很好地平衡這兩點，其局部搜索能力較強，收斂速度快，因此優化高維多模問題時，容易陷入局部最優。
帝國合並以及帝國覆滅使ICA的帝國個數不斷減少，導致群體多樣性降低，演算法的全局「勘探」能力受影響，易出現「早熟」現象。
帝國競爭操作體現了帝國之間的信息交互，然而，帝國競爭在每一次迭代中只是將最弱的殖民地歸於最強的帝國，該過程對每個帝國的勢力大小影響很小，需要多次迭代才能體現出來，帝國之間缺乏更有效的信息交互，即群體多樣性的體現並不明顯。

B. 求高手翻譯啊！

劉建國，趙Linming。阿法的水電站經濟
調度方案的基礎上演化研究[J]。水力發電
[2] Dorigo男，卡洛克迪蟻群優化元啟發式：
在優化[米]新思路。紐約：McGraw-希爾，1999
[3] Talbié四並行蟻群的二次分配問題。
下一代計算機系統[J].2001，17:441449
[4]林兆華，侯雲和，熊新銀，陸麗娟。廣義螞蟻
蟻群優化無功優化演算法
電力系統[J]。中北中國電力大學，
2003年，30（2）：69

C. 請高手幫忙翻譯一下通信方面專業外語的句子

發現邊緣弄亂道路在網路: 一隻螞蟻 殖民地優化演算法

D. 土模專業英語高手幫忙翻譯

威爾遜[12]等使用發現卡車隊mod的統計發行的貝葉斯更新
當應用的動態力量知道，與一動態地被校準的多senso的實際情形
稱在行動系統。本文解決同一個問題，但是的提供的直接方案
洞察到力量樣式的敏感性里對變化的在艦隊物產上。這里發行o
使平方和找到艦隊的物產區別減到最小理論之間的
力量的統計的測量。許多優化方法根據梯度或冒充gradien
技術。優化技術缺點例如梯度下降，牛頓類型方法
在他們的自然，他們不很好應付問題havnon凸面目標函數和許多地方最宜的易變的公尺，共軛梯度， etc.are。有多極值的許多應用
連續的優化問題。對這些問題的一種普遍和方便方法是對系統地
分成可行區域入更小的區域從一最宜然後移動到另一個，根據
隨機搜尋得到的信息。
被描述的優化問題這里是特別困難的。要求發現statistica
描述卡車隊的動態屬性發行的參量。每個試驗卡車隊是
定義由統計參量例如懸浮僵硬的卑鄙和標准偏差，懸浮
阻止，輪胎僵硬，被反彈的許多和沒有裝彈簧的大量。什麼做不同這個的問題是總和o
區別正方形提到力量的統計發行從卡車艦隊的而不是
從一輛單獨卡車的力量。使用蒙特卡洛模仿引起這樣發行意味那那裡
在目標函數的每個評估的無規則變化在點。可以的優化方法
適用於這樣一個性惡問題包括被模仿的燜火，門限採納，基因
演算法、殖民地方法和隨機比較方法[13-17]。
優化，附錄A發怒熵(鈰)方法， [18]用於本文，當它考慮a
同時可選擇的解決方案的因此世代和是厚臉皮的對`noisiness'of問題
解答的世代統計參量的聚合對優選或近優選的解答。為
一個被模仿的例子，顯示鈰可能順利地找到卡車隊統計參量哪些給a
對動態力量的被瞄準的樣式的好比賽在路面的。
文章在新聞中
聲音和振動311 (2008) 1161-1174 A.Belay等或學報1163年

E. 車輛路徑問題的車輛路徑問題的發展

1959年Dantzig和Ramse首次對閉合式VRP進行了研究，描述的是將汽油送往各個加油站的實際問題，並首次提出了相應的數學規劃模型以及求解演算法。
1964年，Clark和Wright[4]一種對Dantzig-Ramse方法改進的有效的啟發式演算法Clark-Wright節約演算法。
正是由於以上兩篇開創性論文的發表，使得VRP成為運籌學以及組合優化領域的前沿和研究熱點課題。
1969年，Christofides和Eilon應用2-opt[5]和3-opt[6]處理車輛路徑問題。
1970年，提出了兩階段方法求解車輛路徑問題，包括先分組後定路線（clusterfirst-route second）和先定路線後分組（routefirst-cluster second）兩種啟發式策略。
1981年，Fisher和Jaikumar提出以數學規劃為主的最優化方法來處理包含大約50個顧客點的問題,同樣其運算效率是一個亟待解決的問題。同年，Gullen，Jarvis和Ratliff建立了人機互動的啟發式方法。
1981年，Bodin and Golden將眾多的VRP求解方法進行了歸納。分為以下七種：數學解析法（Exact Procere）；人機互動法（Interactive Optimization）；先分群再排路線（Cluster First–Route Second）；先排路線再分群（Route First–Cluster Second）；節省法或插入法（Saving or Insertion）；改善或交換法（Improvement or Exchanges）；數學規劃近似法（Mathematical programming）。
1990年以來，人工智慧方法在解決組合優化問題上顯示出強大功能，在各個領域得到充分應用，很多學者也將人工智慧引入車輛路線問題的求解中，並構造了大量的基於人工智慧的啟發式演算法。 禁忌搜索法（TS）基本上是屬於一種人工智慧型（AI）的局部搜尋方法，Willard首先將此演算法用來求解VRP 。袁慶達[7]等設計了考慮時間窗和不同車輛類型的禁忌演算法，這種演算法主要採用GA方法產生初始解，然後禁忌演算法對初始解優化。模擬退火方法具有收斂速度快，全局搜索的特點，Osman[8]對VRP的模擬退火演算法進行了研究。遺傳演算法具有求解組合優化問題的良好特性，Holland首先採用遺傳演算法（GA）編碼解決VRPTW 問題。現在多數學者採用混合策略，分別採用兩種人工智慧方法進行路線分組和路線優化。Ombuki[9]提出了用GA進行路線分組，然後用TS方法進行路線優化的混合演算法。Bent和Van Hentenryck[10]則首先用模擬退火演算法將車輛路線的數量最小化，然後用大鄰域搜索法（largneighborhood search）將運輸費用降到最低。
綜合過去有關VRP的求解方法，可以將其分為精確演算法（exact algorithm）與啟發式演算法（heuristics），其中精確演算法有分支界限法、分支切割法、集合涵蓋法等；啟發式演算法有節約法、模擬退火法、確定性退火法、禁忌搜尋法、基因演算法、神經網路、螞蟻殖民演算法等。