蟻群演算法原理

❶ 蟻群演算法的相關研究

跟著螞蟻的蹤跡，你找到了什麼？通過上面的原理敘述和實際操作，我們不難發現螞蟻之所以具有智能行為，完全歸功於它的簡單行為規則，而這些規則綜合起來具有下面兩個方面的特點：
1、多樣性
2、正反饋
多樣性保證了螞蟻在覓食的時候不至走進死胡同而無限循環，正反饋機制則保證了相對優良的信息能夠被保存下來。我們可以把多樣性看成是一種創造能力，而正反饋是一種學習強化能力。正反饋的力量也可以比喻成權威的意見，而多樣性是打破權威體現的創造性，正是這兩點小心翼翼的巧妙結合才使得智能行為涌現出來了。
引申來講，大自然的進化，社會的進步、人類的創新實際上都離不開這兩樣東西，多樣性保證了系統的創新能力，正反饋保證了優良特性能夠得到強化，兩者要恰到好處的結合。如果多樣性過剩，也就是系統過於活躍，這相當於螞蟻會過多的隨機運動，它就會陷入混沌狀態；而相反，多樣性不夠，正反饋機制過強，那麼系統就好比一潭死水。這在蟻群中來講就表現為，螞蟻的行為過於僵硬，當環境變化了，螞蟻群仍然不能適當的調整。
既然復雜性、智能行為是根據底層規則涌現的，既然底層規則具有多樣性和正反饋特點，那麼也許你會問這些規則是哪裡來的？多樣性和正反饋又是哪裡來的？我本人的意見：規則來源於大自然的進化。而大自然的進化根據剛才講的也體現為多樣性和正反饋的巧妙結合。而這樣的巧妙結合又是為什麼呢？為什麼在你眼前呈現的世界是如此栩栩如生呢？答案在於環境造就了這一切，之所以你看到栩栩如生的世界，是因為那些不能夠適應環境的多樣性與正反饋的結合都已經死掉了，被環境淘汰了！ 蟻群演算法的由來：螞蟻是地球上最常見、數量最多的昆蟲種類之一，常常成群結隊地出現在人類的日常生活環境中。這些昆蟲的群體生物智能特徵，引起了一些學者的注意。義大利學者M.Dorigo，V.Maniezzo等人在觀察螞蟻的覓食習性時發現，螞蟻總能找到巢穴與食物源之間的最短路徑。經研究發現，螞蟻的這種群體協作功能是通過一種遺留在其來往路徑上的叫做信息素(Pheromone)的揮發性化學物質來進行通信和協調的。化學通信是螞蟻採取的基本信息交流方式之一，在螞蟻的生活習性中起著重要的作用。通過對螞蟻覓食行為的研究，他們發現，整個蟻群就是通過這種信息素進行相互協作，形成正反饋，從而使多個路徑上的螞蟻都逐漸聚集到最短的那條路徑上。
這樣，M.Dorigo等人於1991年首先提出了蟻群演算法。其主要特點就是：通過正反饋、分布式協作來尋找最優路徑。這是一種基於種群尋優的啟發式搜索演算法。它充分利用了生物蟻群能通過個體間簡單的信息傳遞，搜索從蟻巢至食物間最短路徑的集體尋優特徵，以及該過程與旅行商問題求解之間的相似性。得到了具有NP難度的旅行商問題的最優解答。同時，該演算法還被用於求解Job-Shop調度問題、二次指派問題以及多維背包問題等，顯示了其適用於組合優化類問題求解的優越特徵。
多年來世界各地研究工作者對蟻群演算法進行了精心研究和應用開發，該演算法現已被大量應用於數據分析、機器人協作問題求解、電力、通信、水利、采礦、化工、建築、交通等領域。
蟻群演算法之所以能引起相關領域研究者的注意，是因為這種求解模式能將問題求解的快速性、全局優化特徵以及有限時間內答案的合理性結合起來。其中，尋優的快速性是通過正反饋式的信息傳遞和積累來保證的。而演算法的早熟性收斂又可以通過其分布式計算特徵加以避免，同時，具有貪婪啟發式搜索特徵的蟻群系統又能在搜索過程的早期找到可以接受的問題解答。這種優越的問題分布式求解模式經過相關領域研究者的關注和努力，已經在最初的演算法模型基礎上得到了很大的改進和拓展。
經過一定時間，從食物源返回的螞蟻到達D點同樣也碰到障礙物，也需要進行選擇。此時A, B兩側的信息素濃度相同，它們仍然一半向左，一半向右。但是當A側的螞蟻已經完全繞過障礙物到達C點時，B側的螞蟻由於需走的路徑更長，還不能到達C點，圖3表示蟻群在障礙物前經過一段時間後的情形。
此時對於從蟻巢出發來到C點的螞蟻來說，由於A側的信息素濃度高，B側的信息素較低，就傾向於選擇A側的路徑。這樣的結果是A側的螞蟻越來越多，最終所有螞蟻都選擇這條較短的路徑，圖4 表示蟻群最終選擇的路徑
上述過程，很顯然是由螞蟻所留下的信息素的「正反饋」過程而導致的。螞蟻個體就是通過這種信息的交流來達到搜索食物的目的。蟻群演算法的基本思想也是從這個過程轉化而來的。
蟻群演算法的特點：
1)蟻群演算法是一種自組織的演算法。在系統論中，自組織和它組織是組織的兩個基本分類，其區別在於組織力或組織指令是來自於系統的內部還是來自於系統的外部，來自於系統內部的是自組織，來自於系統外部的是他組織。如果系統在獲得空間的、時間的或者功能結構的過程中，沒有外界的特定干預，我們便說系統是自組織的。在抽象意義上講，自組織就是在沒有外界作用下使得系統熵減小的過程(即是系統從無序到有序的變化過程)。蟻群演算法充分體現了這個過程，以螞蟻群體優化為例子說明。當演算法開始的初期，單個的人工螞蟻無序的尋找解，演算法經過一段時間的演化，人工螞蟻間通過信息激素的作用，自發的越來越趨向於尋找到接近最優解的一些解，這就是一個無序到有序的過程。
2)蟻群演算法是一種本質上並行的演算法。每隻螞蟻搜索的過程彼此獨立，僅通過信息激素進行通信。所以蟻群演算法則可以看作是一個分布式的多agent系統，它在問題空間的多點同時開始進行獨立的解搜索，不僅增加了演算法的可靠性，也使得演算法具有較強的全局搜索能力。
3)蟻群演算法是一種正反饋的演算法。從真實螞蟻的覓食過程中我們不難看出，螞蟻能夠最終找到最短路徑，直接依賴於最短路徑上信息激素的堆積，而信息激素的堆積卻是一個正反饋的過程。對蟻群演算法來說，初始時刻在環境中存在完全相同的信息激素，給予系統一個微小擾動，使得各個邊上的軌跡濃度不相同，螞蟻構造的解就存在了優劣，演算法採用的反饋方式是在較優的解經過的路徑留下更多的信息激素，而更多的信息激素又吸引了更多的螞蟻，這個正反饋的過程使得初始的不同得到不斷的擴大，同時又引導整個系統向最優解的方向進化。因此，正反饋是螞蟻演算法的重要特徵，它使得演算法演化過程得以進行。
4)蟻群演算法具有較強的魯棒性。相對於其它演算法，蟻群演算法對初始路線要求不高，即蟻群演算法的求解結果不依賴於初始路線的選擇，而且在搜索過程中不需要進行人工的調整。其次，蟻群演算法的參數數目少，設置簡單，易於蟻群演算法應用到其它組合優化問題的求解。
蟻群演算法的應用進展以蟻群演算法為代表的蟻群智能已成為當今分布式人工智慧研究的一個熱點，許多源於蜂群和蟻群模型設計的演算法己越來越多地被應用於企業的運轉模式的研究。美國五角大樓正在資助關於群智能系統的研究工作-群體戰略(Swarm Strategy)，它的一個實戰用途是通過運用成群的空中無人駕駛飛行器和地面車輛來轉移敵人的注意力，讓自己的軍隊在敵人後方不被察覺地安全進行。英國電信公司和美國世界通信公司以電子螞蟻為基礎，對新的電信網路管理方法進行了試驗。群智能還被應用於工廠生產計劃的制定和運輸部門的後勤管理。美國太平洋西南航空公司採用了一種直接源於螞蟻行為研究成果的運輸管理軟體，結果每年至少節約了1000萬美元的費用開支。英國聯合利華公司己率先利用群智能技術改善其一家牙膏廠的運轉情況。美國通用汽車公司、法國液氣公司、荷蘭公路交通部和美國一些移民事務機構也都採用這種技術來改善其運轉的機能。鑒於群智能廣闊的應用前景，美國和歐盟均於近幾年開始出資資助基於群智能模擬的相關研究項目，並在一些院校開設群體智能的相關課程。國內，國家自然科學基金」十五」期間學科交叉類優先資助領域中的認知科學及其信息處理的研究內容中也明確列出了群智能領域的進化、自適應與現場認知主題。
蟻群優化演算法最初用於解決TSP問題，經過多年的發展，已經陸續滲透到其他領域中，比如圖著色問題、大規模集成電路設計、通訊網路中的路由問題以及負載平衡問題、車輛調度問題等。蟻群演算法在若干領域己獲得成功的應用，其中最成功的是在組合優化問題中的應用。
在網路路由處理中，網路的流量分布不斷變化，網路鏈路或結點也會隨機地失效或重新加入。蟻群的自身催化與正向反饋機制正好符合了這類問題的求解特點，因而，蟻群演算法在網路領域得到一定應用。蟻群覓食行為所呈現出的並行與分布特性使得演算法特別適合於並行化處理。因而，實現演算法的並行化執行對於大量復雜的實際應用問題的求解來說是極具潛力的。
在某群體中若存在眾多無智能的個體，它們通過相互之間的簡單合作所表現出來的智能行為即稱為集群智能(Swarm Intelligence)。互聯網上的交流，不過是更多的神經元連接(人腦)通過互聯網相互作用的結果，光纜和路由器不過是軸突和突觸的延伸。從自組織現象的角度上看，人腦的智能和蟻群也沒有本質上的區別，單個神經元沒有智能可言，單個螞蟻也沒有，但是通過連接形成的體系，是一個智能體。（作者： 李精靈 編選：中國電子商務研究中心）

❷ 蟻群演算法的內容

蟻群演算法又稱螞蟻演算法，是一種用來在圖中尋找優化路徑的機率型演算法。它由Marco Dorigo於1992年在他的博士論文中提出，其靈感來源於螞蟻在尋找食物過程中發現路徑的行為。蟻群演算法是一種模擬進化演算法,初步的研究表明該演算法具有許多優良的性質.針對PID控制器參數優化設計問題,將蟻群演算法設計的結果與遺傳演算法設計的結果進行了比較,數值模擬結果表明,蟻群演算法具有一種新的模擬進化優化方法的有效性和應用價值。

神經網路
思維學普遍認為，人類大腦的思維分為抽象（邏輯）思維、形象（直觀）思維和靈感（頓悟）思維三種基本方式。
邏輯性的思維是指根據邏輯規則進行推理的過程；它先將信息化成概念，並用符號表示，然後，根據符號運算按串列模式進行邏輯推理；這一過程可以寫成串列的指令，讓計算機執行。然而，直觀性的思維是將分布式存儲的信息綜合起來，結果是忽然間產生想法或解決問題的辦法。這種思維方式的根本之點在於以下兩點:1.信息是通過神經元上的興奮模式分布儲在網路上;2.信息處理是通過神經元之間同時相互作用的動態過程來完成的。
人工神經網路就是模擬人思維的第二種方式。這是一個非線性動力學系統，其特色在於信息的分布式存儲和並行協同處理。雖然單個神經元的結構極其簡單，功能有限，但大量神經元構成的網路系統所能實現的行為卻是極其豐富多彩的。
神經網路的研究內容相當廣泛，反映了多學科交叉技術領域的特點。目前，主要的研究工作集中在以下幾個方面：
（1）生物原型研究。從生理學、心理學、解剖學、腦科學、病理學等生物科學方面研究神經細胞、神經網路、神經系統的生物原型結構及其功能機理。
（2）建立理論模型。根據生物原型的研究，建立神經元、神經網路的理論模型。其中包括概念模型、知識模型、物理化學模型、數學模型等。
（3）網路模型與演算法研究。在理論模型研究的基礎上構作具體的神經網路模型，以實現計算機饃擬或准備製作硬體，包括網路學習演算法的研究。這方面的工作也稱為技術模型研究。
（4）人工神經網路應用系統。在網路模型與演算法研究的基礎上，利用人工神經網路組成實際的應用系統，例如，完成某種信號處理或模式識別的功能、構作專家系統、製成機器人等等。
縱觀當代新興科學技術的發展歷史，人類在征服宇宙空間、基本粒子，生命起源等科學技術領域的進程中歷經了崎嶇不平的道路。我們也會看到，探索人腦功能和神經網路的研究將伴隨著重重困難的克服而日新月異。
遺傳演算法，是模擬達爾文生物進化論的自然選擇和遺傳學機理的生物進化過程的計算模型，是一種通過模擬自然進化過程搜索最優解的方法，它最初由美國Michigan大學J.Holland教授於1975年首先提出來的，並出版了頗有影響的專著《Adaptation in Natural and Artificial Systems》，GA這個名稱才逐漸為人所知，J.Holland教授所提出的GA通常為簡單遺傳演算法（SGA）。

❸ MATLAB建模方法有哪些

首先，Matlab是一個工具，它不是一個方法。

其次，我給你推薦一本書
《MATLAB 在數學建模中的應用（第2版）》

然後它的目錄可以回答你的問題：
第1章 數學建模常規方法及其MATLAB實現
1.1 MATLAB與數據文件的交互
1.1.1 MATLAB與Excel的交互
1.1.2 MATLAB與TXT交互
1.1.3 MATLAB界面導入數據的方法
1.2 數據擬合方法
1.2.1 多項式擬合
1.2.2 指定函數擬合
1.2.3 曲線擬合工具箱
1.3 數據擬合應用實例
1.3.1 人口預測模型
1.3.2 薄膜滲透率的測定
1.4 數據的可視化
1.4.1 地形地貌圖形的繪制
1.4.2 車燈光源投影區域的繪制（CUMCM2002A）
1.5 層次分析法（AHP）
1.5.1 層次分析法的應用場景
1.5.2 AHPMATLAB程序設計

第2章 規劃問題的MATLAB求解
2.1 線性規劃
2.1.1 線性規劃的實例與定義
2.1.2 線性規劃的MATLAB標准形式
2.1.3 線性規劃問題解的概念
2.1.4 求解線性規劃的MATLAB解法
2.2 非線性規劃
2.2.1 非線性規劃的實例與定義
2.2.2 非線性規劃的MATLAB解法
2.2.3 二次規劃
2.3 整數規劃
2.3.1 整數規劃的定義
2.3.2 01整數規劃
2.3.3 隨機取樣計演算法

第3章 數據建模及MATLAB實現
3.1 雲模型
3.1.1 雲模型基礎知識
3.1.2 雲模型的MATLAB程序設計
3.2 Logistic回歸
3.2.1 Logistic模型
3.2.2 Logistic回歸MATLAB程序設計
3.3 主成分分析
3.3.1 PCA基本思想
3.3.2 PCA步驟
3.3.3 主成分分析MATLAB程序設計
3.4 支持向量機（SVM）
3.4.1 SVM基本思想
3.4.2 理論基礎
3.4.3 支持向量機MATLAB程序設計
3.5 K均值（KMeans）
3.5.1 KMeans原理、步驟和特點
3.5.2 KMeans聚類MATLAB程序設計
3.6 樸素貝葉斯判別法
3.6.1 樸素貝葉斯判別模型
3.6.2 樸素貝葉斯判別法MATLAB設計
3.7 數據建模綜合應用
參考文獻

第4章 灰色預測及其MATLAB實現
4.1 灰色系統基本理論
4.1.1 灰色關聯度矩陣
4.1.2 經典灰色模型GM（1,1）
4.1.3 灰色Verhulst模型
4.2 灰色系統的程序設計
4.2.1 灰色關聯度矩陣的程序設計
4.2.2 GM（1,1）的程序設計
4.2.3 灰色Verhulst模型的程序設計
4.3 灰色預測的MATLAB程序
4.3.1 典型程序結構
4.3.2 灰色預測程序說明
4.4 灰色預測應用實例
4.4.1 實例一長江水質的預測（CUMCM2005A）
4.4.2 實例二預測與會代表人數（CUMCM2009D）
4.5 小結
參考文獻

第5章 遺傳演算法及其MATLAB實現
5.1 遺傳演算法基本原理
5.1.1 人工智慧演算法概述
5.1.2 遺傳演算法生物學基礎
5.1.3 遺傳演算法的實現步驟
5.1.4 遺傳演算法的拓展
5.2 遺傳演算法的MATLAB程序設計
5.2.1 程序設計流程及參數選取
5.2.2 MATLAB遺傳演算法工具箱
5.3 遺傳演算法應用案例
5.3.1 案例一：無約束目標函數最大值遺傳演算法求解策略
5.3.2 案例二：CUMCM中多約束非線性規劃問題的求解
5.3.3 案例三：BEATbx遺傳演算法工具箱的應用——電子商務中轉化率影響因素研究
參考文獻

第6章 模擬退火演算法及其MATLAB實現
6.1 演算法的基本理論
6.1.1 演算法概述
6.1.2 基本思想
6.1.3 其他一些參數的說明
6.1.4 演算法基本步驟
6.1.5 幾點說明
6.2 演算法的MATLAB實現
6.2.1 演算法設計步驟
6.2.2 典型程序結構
6.3 應用實例：背包問題的求解
6.3.1 問題的描述
6.3.2 問題的求解
6.4 模擬退火程序包ASA簡介
6.4.1 ASA的優化實例
6.4.2 ASA的編譯
6.4.3 MATLAB版ASA的安裝與使用
6.5 小結
6.6 延伸閱讀
參考文獻

第7章 人工神經網路及其MATLAB實現
7.1 人工神經網路基本理論
7.1.1 人工神經網路模型拓撲結構
7.1.2 常用激勵函數
7.1.3 常見神經網路理論
7.2 BP神經網路的結構設計
7.2.1 鯊魚嗅聞血腥味與BP神經網路訓練
7.2.2 透視神經網路的學習步驟
7.2.3 BP神經網路的動態擬合過程
7.3 RBF神經網路的結構設計
7.3.1 梯度訓練法RBF神經網路的結構設計
7.3.2 RBF神經網路的性能
7.4 應用實例
7.4.1 基於MATLAB源程序公路運量預測
7.4.2 基於MATLAB工具箱公路運量預測
7.4.3 艾滋病治療最佳停葯時間的確定（CUMCM2006B）
7.4.4 RBF神經網路預測新客戶流失概率
7.5 延伸閱讀
7.5.1 從金融分析中的小數定理談神經網路的訓練樣本遴選規則
7.5.2 小議BP神經網路的衍生機理
參考文獻

第8章粒子群演算法及其MATLAB實現
8.1 PSO演算法相關知識
8.1.1 初識PSO演算法
8.1.2 PSO演算法的基本理論
8.1.3 PSO演算法的約束優化
8.1.4 PSO演算法的優缺點
8.2 PSO演算法程序設計
8.2.1 程序設計流程
8.2.2 PSO演算法的參數選取
8.2.3 PSO演算法MATLAB源程序範例
8.3 應用案例：基於PSO演算法和BP演算法訓練神經網路
8.3.1 如何評價網路的性能
8.3.2 BP演算法能夠搜索到極值的原理
8.3.3 PSOBP神經網路的設計指導原則
8.3.4 PSO演算法優化神經網路結構
8.3.5 PSOBP神經網路的實現
參考文獻

第9章 蟻群演算法及其MATLAB實現
9.1 蟻群演算法原理
9.1.1 蟻群演算法基本思想
9.1.2 蟻群演算法數學模型
9.1.3 蟻群演算法流程
9.2 蟻群演算法的MATLAB實現
9.2.1 實例背景
9.2.2 演算法設計步驟
9.2.3 MATLAB程序實現
9.2.4 程序執行結果與分析
9.3 演算法關鍵參數的設定
9.3.1 參數設定的准則
9.3.2 螞蟻數量
9.3.3 信息素因子
9.3.4 啟發函數因子
9.3.5 信息素揮發因子
9.3.6 信息素常數
9.3.7 最大迭代次數
9.3.8 組合參數設計策略
9.4 應用實例：最佳旅遊方案（蘇北賽2011B）
9.4.1 問題描述
9.4.2 問題的求解和結果
9.5 本章小結
參考文獻

第10章 小波分析及其MATLAB實現
10.1 小波分析基本理論
10.1.1 傅里葉變換的局限性
10.1.2 伸縮平移和小波變換
10.1.3 小波變換入門和多尺度分析
10.1.4 小波窗函數自適應分析
10.2 小波分析MATLAB程序設計
10.2.1 小波分析工具箱函數指令
10.2.2 小波分析程序設計綜合案例
10.3 小波分析應用案例
10.3.1 案例一：融合拓撲結構的小波神經網路
10.3.2 案例二：血管重建引出的圖像數字水印
參考文獻

第11章 計算機虛擬及其MATLAB實現
11.1 計算機虛擬基本知識
11.1.1 從3G移動互聯網協議WCDMA談MATLAB虛擬
11.1.2 計算機虛擬與數學建模
11.1.3 數值模擬與經濟效益博弈
11.2 數值模擬MATLAB程序設計
11.2.1 微分方程組模擬
11.2.2 服從概率分布的隨機模擬
11.2.3 蒙特卡羅模擬
11.3 動態模擬MATLAB程序設計
11.3.1 MATLAB音頻處理
11.3.2 MATLAB常規動畫實現
11.4 應用案例：四維水質模型
11.4.1 問題的提出
11.4.2 問題的分析
11.4.3 四維水質模型准備
11.4.4 條件假設與符號約定
11.4.5 四維水質模型的組建
11.4.6 模型求解
11.4.7 計算機模擬情境
參考文獻

下篇 真題演習
第12章 彩票中的數學（CUMCM2002B）
12.1 問題的提出
12.2 模型的建立
12.2.1 模型假設與符號說明
12.2.2 模型的准備
12.2.3 模型的建立
12.3 模型的求解
12.3.1 求解的思路
12.3.2 MATLAB程序
12.3.3 程序結果
12.4 技巧點評
參考文獻

第13章 露天礦卡車調度問題（CUMCM2003B）
13.1 問題的提出
13.2 基本假設與符號說明
13.2.1 基本假設
13.2.2 符號說明
13.3 問題分析及模型准備
13.4 原則①：數學模型（模型1）的建立與求解
13.4.1 模型的建立
13.4.2 模型求解
13.5 原則②：數學模型（模型2）的建立與求解
13.6 技巧點評
參考文獻

第14章 奧運會商圈規劃問題（CUMCM2004A）
14.1 問題的描述
14.2 基本假設、名詞約定及符號說明
14.2.1 基本假設
14.2.2 符號說明
14.2.3 名詞約定
14.3 問題分析與模型准備
14.3.1 基本思路
14.3.2 基本數學表達式的構建
14.4 設置MS網點數學模型的建立與求解
14.4.1 模型建立
14.4.2 模型求解
14.5 設置MS網點理論體系的建立
14.6 商區布局規劃的數學模型
14.6.1 模型建立
14.6.2 模型求解
14.7 模型的評價及使用說明
14.7.1 模型的優點
14.7.2 模型的缺點
14.8 技巧點評
參考文獻

第15章 交巡警服務平台的設置與調度（CUMCM2011B）
15.1 問題的提出
15.2 問題的分析
15.3 基本假設
15.4 問題1模型的建立與求解
15.4.1 交巡警服務平台管轄范圍分配
15.4.2 交巡警的調度
15.4.3 最佳新增服務平台設置
15.5 問題2模型的建立和求解
15.5.1 全市服務平台的合理性分析問題的模型與求解
15.5.2 搜捕嫌疑犯實例的模型與求解
15.6 模型的評價與改進
15.6.1 模型優點
15.6.2 模型缺點
15.7 技巧點評
參考文獻

第16章 葡萄酒的評價（CUMCM2012A）
16.1 問題的提出
16.2 基本假設
16.3 問題①模型的建立和求解
16.3.1 問題①的分析
16.3.2 模型的建立和求解
16.4 問題②模型的建立和求解
16.4.1 問題②的基本假設和分析
16.4.2 模型的建立和求解
16.5 問題③模型的建立和求解
16.5.1 問題③的分析
16.5.2 模型的建立和求解
16.6 問題④模型的建立和求解
16.6.1 問題④的分析
16.6.2 模型的建立和求解
16.7 論文點評
參考文獻
附件數學建模參賽經驗
一、如何准備數學建模競賽
二、數學建模隊員應該如何學習MATLAB
三、如何在數學建模競賽中取得好成績
四、數學建模競賽中的項目管理和時間管理
五、一種非常實用的數學建模方法——目標建模法

❹ 蟻群優化演算法的使用-編碼的問題！

「蟻群演算法」學習包下載

下載地址： http://board.verycd.com/t196436.html (請使用 eMule 下載)

近一百多篇文章，打包壓縮後有 24.99MB ，基本上是從維普資料庫中下載來的，僅供學習和研究之用，請務用於商業活動或其他非法活動中，各文章版權歸原作者所有。

如果您覺得本人這樣做侵犯了您的版權，請在本帖後回復，本人會馬上刪除相應的文章。

以下是文件列表，全是 PDF 格式的：

基於蟻群優化演算法遞歸神經網路的短期負荷預測
蟻群演算法的小改進
基於蟻群演算法的無人機任務規劃
多態蟻群演算法
MCM基板互連測試的單探針路徑優化研究
改進的增強型蟻群演算法
基於雲模型理論的蟻群演算法改進研究
基於禁忌搜索與蟻群最優結合演算法的配電網規劃
自適應蟻群演算法在序列比對中的應用
基於蟻群演算法的QoS多播路由優化演算法
多目標優化問題的蟻群演算法研究
多線程蟻群演算法及其在最短路問題上的應用研究
改進的蟻群演算法在2D HP模型中的應用
製造系統通用作業計劃與蟻群演算法優化
基於混合行為蟻群演算法的研究
火力優化分配問題的小生境遺傳螞蟻演算法
基於蟻群演算法的對等網模擬器的設計與實現
基於粗粒度模型的蟻群優化並行演算法
動態躍遷轉移蟻群演算法
基於人工免疫演算法和蟻群演算法求解旅行商問題
基於信息素非同步更新的蟻群演算法
用於連續函數優化的蟻群演算法
求解復雜多階段決策問題的動態窗口蟻群優化演算法
蟻群演算法在鑄造生產配料優化中的應用
多階段輸電網路最優規劃的並行蟻群演算法
求解旅行商問題的混合粒子群優化演算法
微粒群優化演算法研究現狀及其進展
隨機攝動蟻群演算法的收斂性及其數值特性分析
廣義蟻群與粒子群結合演算法在電力系統經濟負荷分配中的應用
改進的蟻群演算法及其在TSP中的應用研究
蟻群演算法的全局收斂性研究及改進
房地產開發項目投資組合優化的改進蟻群演算法
一種改進的蟻群演算法用於灰色約束非線性規劃問題求解
一種自適應蟻群演算法及其模擬研究
一種動態自適應蟻群演算法
螞蟻群落優化演算法在蛋白質折疊二維親-疏水格點模型中的應用
用改進蟻群演算法求解函數優化問題
連續優化問題的蟻群演算法研究進展
蟻群演算法概述
Ant colony system algorithm for the optimization of beer fermentation control
蟻群演算法在K—TSP問題中的應用
Parallel ant colony algorithm and its application in the capacitated lot sizing problem for an agile supply chain
基於遺傳蟻群演算法的機器人全局路徑規劃研究
改進的蟻群演算法在礦山物流配送路徑優化中的研究
基於蟻群演算法的配電網路綜合優化方法
基於蟻群演算法的分類規則挖掘演算法
蟻群演算法在連續性空間優化問題中的應用
蟻群演算法在礦井通風系統優化設計中的應用
基於蟻群演算法的液壓土錨鑽機動力頭優化設計
改進蟻群演算法設計拉式膜片彈簧
計算機科學技術
基本蟻群演算法及其改進
TSP改進演算法及在PCB數控加工刀具軌跡中的應用
可靠性優化的蟻群演算法
對一類帶聚類特徵TSP問題的蟻群演算法求解
蟻群演算法理論及應用研究的進展
基於二進制編碼的蟻群優化演算法及其收斂性分析
蟻群演算法的理論及其應用
基於蟻群行為模擬的影像紋理分類
啟發式蟻群演算法及其在高填石路堤穩定性分析中的應用
蟻群演算法的研究現狀
一種快速全局優化的改進蟻群演算法及模擬
聚類問題的蟻群演算法
蟻群最優化——模型、演算法及應用綜述
基於信息熵的改進蟻群演算法及其應用
機載公共設備綜合管理系統任務分配演算法研究
基於改進蟻群演算法的飛機低空突防航路規劃
利用信息量留存的蟻群遺傳演算法
An Improved Heuristic Ant-Clustering Algorithm
改進型蟻群演算法在內燃機徑向滑動軸承優化設計中的應用
基於蟻群演算法的PID參數優化
基於蟻群演算法的復雜系統多故障狀態的決策
蟻群演算法在數據挖掘中的應用研究
基於蟻群演算法的基因聯接學習遺傳演算法
基於細粒度模型的並行蟻群優化演算法
Binary-Coding-Based Ant Colony Optimization and Its Convergence
運載火箭控制系統漏電故障診斷研究
混沌擾動啟發式蟻群演算法及其在邊坡非圓弧臨界滑動面搜索中的應用
蟻群演算法原理的模擬研究
Hopfield neural network based on ant system
蟻群演算法及其實現方法研究
分層實體製造激光頭切割路徑的建模與優化
配送網路規劃蟻群演算法
基於蟻群演算法的城域交通控制實時滾動優化
基於蟻群演算法的復合形法及其在邊坡穩定分析中的應用
Ant Colony Algorithm for Solving QoS Routing Problem
多產品間歇過程調度問題的建模與優化
基於蟻群演算法的兩地之間的最佳路徑選擇
蟻群演算法求解問題時易產生的誤區及對策
用雙向收斂蟻群演算法解作業車間調度問題
物流配送路徑安排問題的混合蟻群演算法
求解TSP問題的模式學習並行蟻群演算法
基於蟻群演算法的三維空間機器人路徑規劃
蟻群優化演算法及其應用
蟻群演算法不確定性分析
一種求解TSP問題的相遇蟻群演算法
基於蟻群優化演算法的彩色圖像顏色聚類的研究
鈑金件數控激光切割割嘴路徑的優化
基於蟻群演算法的圖像分割方法
一種基於蟻群演算法的聚類組合方法
圓排列問題的蟻群模擬退火演算法
智能混合優化策略及其在流水作業調度中的應用
蟻群演算法在QoS網路路由中的應用
一種改進的自適應路由演算法
基於蟻群演算法的煤炭運輸優化方法
基於蟻群智能和支持向量機的人臉性別分類方法
蟻群演算法在啤酒發酵控制優化中的應用
一種基於時延信息的多QoS快速自適應路由演算法
蟻群演算法中參數α、β、ρ設置的研究——以TSP問題為例
基於人工蟻群優化的矢量量化碼書設計演算法
具有自適應雜交特徵的蟻群演算法
蟻群演算法在原料礦粉混勻優化中的應用
基於多Agent的蟻群演算法在車間動態調度中的應用研究
用蟻群優化演算法求解中國旅行商問題
蟻群演算法在嬰兒營養米粉配方中的應用
蟻群演算法在機械優化設計中的應用
蟻群優化演算法的研究現狀及研究展望
蟻群優化演算法及其應用研究進展
蟻群演算法的理論與應用
簡單蟻群演算法的模擬分析
一種改進的蟻群演算法求解最短路徑問題
基於模式求解旅行商問題的蟻群演算法
一種求解TSP的混合型蟻群演算法
基於MATLAB的改進型基本蟻群演算法
動態蟻群演算法求解TSP問題
用蟻群演算法求解類TSP問題的研究
蟻群演算法求解連續空間優化問題的一種方法
用混合型螞蟻群演算法求解TSP問題
求解復雜TSP問題的隨機擾動蟻群演算法
基於蟻群演算法的中國旅行商問題滿意解
蟻群演算法的研究現狀和應用及螞蟻智能體的硬體實現
蟻群演算法概述
蟻群演算法的研究現狀及其展望
基於蟻群演算法的配電網網架優化規劃方法
用於一般函數優化的蟻群演算法
協同模型與遺傳演算法的集成
基於蟻群最優的輸電網路擴展規劃
自適應蟻群演算法
凸整數規劃問題的混合蟻群演算法
一種新的進化演算法—蛟群演算法
基於協同工作方式的一種蟻群布線系統

❺ 蟻群演算法的基本原理

基本原理：

某一條路徑越短，路徑上經過的螞蟻越多，其信息素遺留的也就越多，信息素的濃度也就越高，螞蟻選擇這條路徑的概率也就越大，由此構成了正反饋過程，從而逼近了最優路徑，找到最優路徑。當螞蟻從食物源走到蟻穴，或者從蟻穴走到食物的地方，都會在經過的路上釋放信息素，螞蟻可以感覺出路徑上信息素濃度的大小，並且以較高的概率選擇信息素濃度較高的路徑。

❻ TSP解決之道——蟻群演算法

蟻群演算法java實現以及TSP問題蟻群演算法求解

蟻群演算法原理與應用講解

蟻群演算法原理與應用1 -自然計算與群體智能

1、蟻群演算法(Ant Clony Optimization,ACO)是一種群智能演算法，它是由一群無智能或有輕微智能的個體（Agent）通過相互協作而表現出智能行為，從而為求解復雜問題提供了一個新的可能性。

2、是一種仿生學的演算法，是由自然界中螞蟻覓食的行為而啟發。（artificial ants；雙橋實驗）

3、運作機理：當一定路徑上通過的螞蟻越來越多時，其留下的信息素軌跡也越來越多，後來螞蟻選擇該路徑的概率也越高，從而更增加了該路徑的信息素強度，而強度大的信息素會吸引更多的螞蟻，從而形成一種正反饋機制。

4、蟻群演算法歐化過程中的兩個重要原則：

     a、螞蟻在眾多路徑中轉移路線的選擇規則。

     b、全局化信息素更新規則。信息素更新的實質就是人工螞蟻根據真實螞蟻在訪問過的邊上留下的信息素和蒸發的信息素來模擬真實信息素數量的變化，從而使得越好的解得到越多的增強。這就形成了一種自催化強化學習(Autocatalytic Reinforcement Learning)的正反饋機制。

1、描述：螞蟻數量m；城市之間的信息素矩陣pheromone；每次迭代的m個螞蟻的最短路徑    BestLength；最佳路徑BestTour。                                                                                                                                     每隻螞蟻都有 ：禁忌表(Tabu)存儲已訪問過的城市，允許訪問的城市表(Allowed)存儲還可以訪問的城市，矩陣（ Delta ）來存儲它在一個循環（或者迭代）中給所經過的路徑釋放的信息素。

2、 狀態轉移概率 ：在搜索過程中，螞蟻根據各條路徑上的信息量及路徑的啟發信息來計算狀態轉移概率。在t時刻螞蟻k由元素（城市）i轉移到元素（城市）j的狀態轉移概率：

τij (t) ：時刻路徑(i, j)上的信息量。ηij=1/dij ：啟發函數。

α為信息啟發式因子 ，表示軌跡的相對重要性，反映了螞蟻在運動過程中積累的信息在螞蟻運動時所起的作用，其值越大，則該螞蟻越傾向於選擇其它螞蟻經過的路徑，螞蟻之間的協作性越強；

β為期望啟發式因子 ，表示能見度的相對重要性，反映螞蟻在運動過程中啟發信息在螞蟻選擇路徑中的受重視程度，其值越大，則該狀態狀態轉移概率越接近於貪心規則；

3、 息素更新規則 ：

ρ表示信息素揮發系數；Δτij(t)表示本次循環中路徑(i, j)上的信息素增量，初始時刻Δτij(t) =0。

4、三種信息增量計算方法：

區別：第一種利用了全局信息，在走一圈後更新。二、三中都利用的是局部信息。通常使用第一種。

5、TSP中流程圖

❼ 蟻群演算法原理及其應用的圖書目錄

第1章 緒論
1.1 引言
1.2 螞蟻的生物學特徵
1.3 蟻群演算法的思想起源
1.4 蟻群演算法的研究進展
1.5 本書的體系結構
1.6 本章 小結
參考文獻
第2章 基本蟻群演算法原理及其復雜度分析
2.1 引言
2.2 基本蟻群演算法的原理
2.3 基本蟻群演算法的系統學特徵
2.4 基本蟻群演算法的數學模型
2.5 基本蟻群演算法的具體實現
2.6 基本蟻群演算法的復雜度分析
2.7 基本蟻群演算法的性能評價指標
2.8 本章 小結
參考文獻
第3章 蟻群演算法的收斂性研究
3.1 引言
3.2 圖搜索螞蟻系統(GBAS)的收斂性研究
3.3 一類改進蟻群演算法的收斂性證明
3.4 GBAS/tdev和GBAS/tdlb的確定性收斂證明
3.5 基本蟻群演算法的A.S.收斂性研究
3.6 一類分布式螞蟻路由演算法的收斂性研究
3.7 基於分支路由和Wiener過程的蟻群演算法收斂性證明
3.8 一種簡單蟻群演算法及其收斂性分析
3.9 遺傳一蟻群演算法的Markov收斂性分析
3.1 0一類廣義蟻群演算法(GACA)的收斂性分析
3.1 1本章 小結
參考文獻
第4章 蟻群演算法的實驗分析及參數選擇原則
4.1 引言
4.2 蟻群行為和參數對演算法性能影響的實驗分析
4.3 蟻群演算法參數最優組合的「三步走」方法
4.4 本章 小結
參考文獻
第5章 離散域蟻群演算法的改進研究
5.1 引言
5.2 自適應蟻群演算法
5.3 基於去交叉局部優化策略的蟻群演算法
5.4 基於信息素擴散的蟻群演算法
5.5 多態蟻群演算法
5.6 基於模式學習的小窗口蟻群演算法
5.7 基於混合行為的蟻群演算法
5.8 帶聚類處理的蟻群演算法
5.9 基於雲模型理論的蟻群演算法
5.1 0具有感覺和知覺特徵的蟻群演算法
5.1 1具有隨機擾動特性的蟻群演算法
5.1 2基於信息熵的改進蟻群演算法
5.1 3本章 小結
參考文獻
第6章 連續域蟻群演算法的改進研究
6.1 引言
6.2 基於網格劃分策略的連續域蟻群演算法
6.3 基於信息量分布函數的連續域蟻群演算法
6.4 連續域優化問題的自適應蟻群演算法
6.5 基於交叉變異操作的連續域蟻群演算法
6.6 嵌入確定性搜索的連續域蟻群演算法
6.7 基於密集非遞階的連續互動式蟻群演算法(cIACA)
6.8 多目標優化問題的連續域蟻群演算法
6.9 復雜多階段連續決策問題的動態窗口蟻群演算法
6.1 0本章 小結
參考文獻
第7章 蟻群演算法的典型應用
7.1 引言
7.2 車間作業調度問題
7.3 網路路由問題
7.4 車輛路徑問題
7.5 機器人領域
7.6 電力系統
7.7 故障診斷
7.8 控制參數優化
7.9 系統辨識
7.1 0聚類分析
7.1 1數據挖掘
7.1 2圖像處理
7.1 3航跡規劃
7.1 4空戰決策
7.1 5岩土工程
7.1 6化學工業
7.1 7生命科學
7.1 8布局優化
7.1 9本章 小結
參考文獻
第8章 蟻群演算法的硬體實現
8.1 引言
8.2 仿生硬體概述
8.3 基於FPGA的蟻群演算法硬體實現
8.4 基於蟻群演算法和遺傳演算法動態融合的軟硬體劃分
8.5 本章 小結
參考文獻
第9章 蟻群演算法同其他仿生優化演算法的比較與融合
9.1 引言
9.2 其他幾種仿生優化演算法的基本原理
9.3 蟻群演算法與其他仿生優化演算法的異同比較
9.4 蟻群演算法與遺傳演算法的融合
9.5 蟻群演算法與人工神經網路的融合
9.6 蟻群演算法與微粒群演算法的融合
9.7 蟻群演算法與人工免疫演算法的融合
9.8 本章 小結
參考文獻
第10章 展望
10.1 引言
10.2 蟻群演算法的模型改進
10.3 蟻群演算法的理論分析
10.4 蟻群演算法的並行實現
10.5 蟻群演算法的應用領域
10.6 蟻群演算法的硬體實現
10.7 蟻群演算法的智能融合
10.8 本章 小結
參考文獻
附錄A基本蟻群演算法程序
A.1 c語言版
A.2 Matlab語言版
A.3 VisualBasic語言版
附錄B相關網站
附錄C基本術語(中英文對照)及縮略語
附錄D(詞一首)鷓鴣天蟻群演算法

❽ 蟻群演算法的問題

螞蟻究竟是怎麼找到食物的呢？在沒有螞蟻找到食物的時候，環境沒有有用的信息素，那麼螞蟻為什麼會相對有效的找到食物呢？這要歸功於螞蟻的移動規則，尤其是在沒有信息素時候的移動規則。首先，它要能盡量保持某種慣性，這樣使得螞蟻盡量向前方移動（開始，這個前方是隨機固定的一個方向），而不是原地無謂的打轉或者震動；其次，螞蟻要有一定的隨機性，雖然有了固定的方向，但它也不能像粒子一樣直線運動下去，而是有一個隨機的干擾。這樣就使得螞蟻運動起來具有了一定的目的性，盡量保持原來的方向，但又有新的試探，尤其當碰到障礙物的時候它會立即改變方向，這可以看成一種選擇的過程，也就是環境的障礙物讓螞蟻的某個方向正確，而其他方向則不對。這就解釋了為什麼單個螞蟻在復雜的諸如迷宮的地圖中仍然能找到隱蔽得很好的食物。
當然，在有一隻螞蟻找到了食物的時候，大部分螞蟻會沿著信息素很快找到食物的。但不排除會出現這樣的情況：在最初的時候，一部分螞蟻通過隨機選擇了同一條路徑，隨著這條路徑上螞蟻釋放的信息素越來越多，更多的螞蟻也選擇這條路徑，但這條路徑並不是最優（即最短）的，所以，導致了迭代次數完成後，螞蟻找到的不是最優解，而是次優解，這種情況下的結果可能對實際應用的意義就不大了。
螞蟻如何找到最短路徑的？這一是要歸功於信息素，另外要歸功於環境，具體說是計算機時鍾。信息素多的地方顯然經過這里的螞蟻會多，因而會有更多的螞蟻聚集過來。假設有兩條路從窩通向食物，開始的時候，走這兩條路的螞蟻數量同樣多（或者較長的路上螞蟻多，這也無關緊要）。當螞蟻沿著一條路到達終點以後會馬上返回來，這樣，短的路螞蟻來回一次的時間就短，這也意味著重復的頻率就快，因而在單位時間里走過的螞蟻數目就多，灑下的信息素自然也會多，自然會有更多的螞蟻被吸引過來，從而灑下更多的信息素……；而長的路正相反，因此，越來越多地螞蟻聚集到較短的路徑上來，最短的路徑就近似找到了。也許有人會問局部最短路徑和全局最短路的問題，實際上螞蟻逐漸接近全局最短路的，為什麼呢？這源於螞蟻會犯錯誤，也就是它會按照一定的概率不往信息素高的地方走而另闢蹊徑，這可以理解為一種創新，這種創新如果能縮短路途，那麼根據剛才敘述的原理，更多的螞蟻會被吸引過來。

❾ 蟻群演算法難學嗎

難學。
一些超級難的演算法有遺傳演算法，蟻群演算法。蟻群演算法基本原理：在自然界中，生物群體所表現出的智能得到越來越多的關注，許多的群智能優化演算法都是通過對群體智能的模擬而實現的。其中模擬螞蟻群體覓食的蟻群演算法成為一種主要的群智能演算法。演算法原理：在自然界中，對於覓食的螞蟻群體，其可以在任何和沒有提示的情況下找到食物和巢穴之間的最短路徑。並且能夠根據和環境的變遷，自適應地找到新的最優路徑。根據生物學家研究，螞蟻群體這一行為的根本原因是：螞蟻在尋找食物的過程中，能在其走過的路徑上釋放一種特殊的物質信息素，隨著時間的推移，這種信息素會逐漸地揮發，而對於後來的螞蟻，選擇某條路徑的概率與該路徑上信息素的濃度成正比。當某一條路徑上通過的螞蟻越多的時候，這條路徑上的信息素的濃度就會累積越大，後來的螞蟻選擇此路徑的概率也就越大。路徑上螞蟻越多，導致信息素濃度越高，從而會吸引更多的螞蟻，從而形成一種正反饋機制，通過這種機制，最終蟻群可以發現最短路徑。

❿ 蟻群演算法，退火演算法這些東西究竟屬於什麼，這些東西要從哪裡才能系統學習

第1章緒論
1.1螞蟻的基本習性
1.1.1螞蟻的信息系統
1.1.2蟻群社會的遺傳與進化
1.2蟻群覓食行為與覓食策略
1.2.1螞蟻的覓食行為
1.2.2螞蟻的覓食策略
1.3人工蟻群演算法的基本思想
1.3.1人工蟻與真實螞蟻的異同
1.3.2人工蟻群演算法的實現過程
1.4蟻群優化演算法的意義及應用
1.4.1蟻群優化演算法的意義
l.4.2蟻群演算法的應用
1.5蟻群演算法的展望
第2章螞蟻系統——蟻群演算法的原型
2.1螞蟻系統模型的建立
2.2蟻量系統和蟻密系統的模型
2.3蟻周系統模型
第3章改進的蟻群優化演算法
3.1帶精英策略的螞蟻系統
3.2基於優化排序的螞蟻系統
3.3蟻群系統
3.3.1蟻群系統狀態轉移規則
3.3.2蟻群系統全局更新規則
3.3.3蟻群系統局部更新規則
3.3.4候選集合策略
3.4最大一最小螞蟻系統
3.4.1信息素軌跡更新
3.4.2信息素軌跡的限制
3.4.3信息素軌跡的初始化
3.4.4信息素軌跡的平滑化
3.5最優一最差螞蟻系統
3.5.1最優一最差螞蟻系統的基本思想
3.5.2最優一最差螞蟻系統的工作過程
第4章蟻群優化演算法的模擬研究
4.1螞蟻系統三類模型的模擬研究
4.1.1三類模型性能的比較
4.2.2基於統計的參數優化
4.2基於蟻群系統模型的模擬研究
4.2.1局部優化演算法的有效性
4.2.2蟻群系統與其他啟發演算法的比較
4.3最大一最小螞蟻系統的模擬研究
4.3.1信息素軌跡初始化研究
4.3.2信息素軌跡量下限的作用
4.3.3蟻群演算法的對比
4.4最優一最差螞蟻系統的模擬研究
4.4.1參數ε的設置
4.4.2幾種改進的蟻群演算法比較
第5章蟻群演算法與遺傳、模擬退火演算法的對比
5.1遺傳演算法
5.1.1遺傳演算法與自然選擇
5.1.2遺傳演算法的基本步驟
5.1.3旅行商問題的遺傳演算法實現
5.2模擬退火演算法
5.2.1物理退火過程和Metroplis准則
5.2.2模擬退火法的基本原理
5.3蟻群演算法與遺傳演算法、模擬退火演算法的比較
5.3.1三種演算法的優化質量比較
5.3.2三種演算法收斂速度比較
5.3.3三種演算法的特點與比較分析
第6章蟻群演算法與遺傳、免疫演算法的融合
6.1遺傳演算法與螞蟻演算法融合的GAAA演算法
6.1.1遺傳演算法與螞蟻演算法融合的基本思想
……
第7章自適應蟻群演算法
第8章並行蟻群演算法
第9章蟻群演算法的收斂性與蟻群行為模型
第10章蟻群演算法在優化問題中的應用
附錄
參考文獻