蟻群演算法的應用

A. 傳統經典斷層識別實戰（二）——方差體和螞蟻追蹤（附軟體）

地震方差體屬性的基礎是誤差分析，主要通過相鄰道地震信號的相似度屬性描述地質構造資料。其在地震道特徵描述以及儲集層展布等方面已經取得了良好的應用效果。因此，地震方差體屬性可以應用在構造解釋中，由於對構造解釋的精度要求越來越高，基於地震方差體屬性能夠表述出地質構造間不連續的斷層與褶皺關系。

實際地層的裂縫會導致地震數據體中對應位置采樣點與周圍區域的采樣點出現振幅特徵異常，此時通過計算一定范圍區域內的采樣點之間的方差值來凸顯出裂縫點以識別出裂縫。如圖，窗口內有 n 道地震數據，以窗口中間的采樣點為種子點。計算該點方差的具體步驟如下：1）取窗口內上下各一半的采樣點，先求出窗口內 n 道地震數據中每一道所有采樣點的平均振幅值；2）計算每個采樣點與同一時刻 n 道數據中的振幅值和振幅平均值的方差的和；3）乘上加權系數並歸一化獲得該點的方差值。移動窗口，迭代步驟 1、2、3 得到整個工區數據體每一個采樣點的方差值，得到方差體。

由圖可以得到方差體屬性計算公式：

常用的體屬性有相干體、方差體、曲率體屬性。各種體屬性的利用，主要利用其沿地層的層位屬性。每種軟體的各種演算法不一致，同一種屬性結果也不盡相同。由下圖可看出， 使用Geoframe軟體的方差屬性、VVA軟體的方差屬性和相干屬性效果都較好，陷落柱異常反映清楚，無論是較大的，還是較小都有顯示，在地層順層切片上表現為圓形或半圓形圈閉。VVA軟體的曲率屬性效果較差，雖然陷落柱在其上都有顯示，但干擾較大，沒有其他幾種屬性反映得明顯、直觀。

螞蟻體追蹤技術基於蟻群演算法實現對斷裂的追蹤和識別。該演算法原理為模擬螞蟻在食物與巢穴之間根據可吸引螞蟻的信息素濃度尋求最蔽握悄短路徑。在地震數據中，「螞蟻」根據振幅及相位之間的差異，沿著可能的斷層和裂縫移動完成對二者的刻畫。

21世紀初，螞蟻追蹤技術開始廣泛應用於斷裂系統解釋中，目前該技術成功的應用到石油地震資料精細解釋中，並取得了不錯的效果。螞蟻追蹤解釋技術具有快速、直觀、高精度、客觀等優點。為了使小斷層地震屬性識別更明顯，解釋精度更高。採用了在構造導向濾波基礎上，再對數據進行螞蟻追蹤計算，最後根據屬性優選提取敏感屬性。 即通過「螞蟻」+屬性融合（包括「螞蟻」+方差屬性、「螞蟻」+相干屬性、「螞蟻」+朗伯反射屬性、「螞蟻」+傾角屬性、「螞蟻」+瞬時振幅屬性以及「螞蟻」+瞬時頻率屬性），然後優選其中的敏感屬性用於精細構造解釋。

與相干屬性相比（如圖），螞蟻體屬性的優點是凸顯了斷裂線狀構造特徵，去除了與斷裂無關的信息，提高了斷裂解釋 精度。缺點是平面預測結果往往過於雜亂，無規律。原因之一是控制螞蟻追蹤結果的參數太多，調節困難。

螞蟻體追蹤技術是基於疊後地震數據運算的，雖然其精度比相乾等屬性高，但也只適用於對小斷層和大尺度裂縫的預測。可預測裂縫發育的方向，但難以定量化表徵裂縫發育密度。

接下來，我們使用真實的數據來演示方差體和螞蟻追蹤的操作方法。

先講一下選用數據的情況。這次我們用的是1996年紐西蘭塔拉納基盆地疊前數據。這個數據在很多專家的論文中都出現過。數據概貌是這樣的：

數據皮岩的尺寸是：287*735*1252。

接下來，我們使用Petrel這款軟體來進行處理。

1.新建工程和導入數據

選擇New project，然後在Home Folder欄,選擇 new seismic main folder。

在樹形結構seismic右鍵點擊-new seismic survey，這樣就建好了工程。

右鍵點擊Survery 1，選擇Import (on selection)，選擇數據體Kerry3D.segy，在彈出的參數框中直接點擊宏渣OK，就載入了數據。

通過新建一個3D的窗口，可以查看數據概貌。

2.方差體

（1）做Realized。

在地震信號右擊選擇Realized…。在對話框中點擊Realize後關閉窗口，這樣就對原始數據進行了簡化，減少了一些細節的信號。

（2）方差體

點擊Realized的數據體，在seismic Interpretation點擊volume attributes（體屬性）進行配置：

結果就是這樣的：

如果覺得干擾較多，還可以對數據體先進行平滑處理，再做方差體。平滑處理是選擇這樣的參數：

最後處理的結果是這樣的：

3.螞蟻追蹤

選擇剛才處理後的方差體數據，在seismic Interpretation點擊volume attributes（體屬性）進行配置：

處理後的結果是這樣的。相比方差體，斷層識別解析度進一步提高。

螞蟻追蹤也可以在不同的數據體結果上處理，大家可以自己多嘗試。

螞蟻追蹤的參數配置方法比較多。

一是在參數配置中，可以選擇主動或被動。一般識別大斷層用被動，小斷層用主動。還可以先做主動，然後再疊加被動。這樣就可以去掉很多無效識別結果。

二是過濾不追蹤的信號。其中的圈代表斷層的方位，dip是傾角,azimuth是方位。塗黑的部分就是不追蹤的斷層，比如最里層代表水平的斷層，一般就不會追蹤。

大家可以根據工區的實際情況，選擇不追蹤的斷層。

比如斷層主要看南北方向的，就把東西方向的塗黑，一般不塗黑外層（因為南北向的傾角較大）。如下圖：

或

以上就是今天的課程。這節課講解了現在比較常用的兩種斷層自動識別的方法，包括了原理和實戰案例操作。如果大家對軟體比較感興趣或遇到什麼問題都可以聯系我交流。再見。

擴展閱讀：

怎樣輕松入門地震勘探研究：先從地震數據處理開始

如何從0開啟地震深度學習科研之路

B. 蟻群聚類演算法是哪一種類型的聚類演算法

蟻群聚類演算法是數據挖掘聚類演算法。蟻群演算法在數據挖掘聚類中的應用所採用的生物原型為蟻群的蟻穴清理行為和蟻群覓食行為。在蟻群蟻穴清理行為中，蟻群會將蟻穴中分布分散的螞蟻屍體堆握頃積成相對集中的幾個大堆。在聚類分析中，將這些分散分布的螞蟻屍體視為待分析的數據集合，而最終堆積而成的大堆則對應於最終的聚類結段隱陸果。在蟻群的覓食行為中，螞蟻依據一定的概率選擇覓食路徑，使得螞蟻所尋找的路徑呈現多樣化狀態。在基於蟻群覓食行為的聚類分析中，將數據視為具有不同屬性的螞蟻，攜逗而將聚類結果視為食物源，所不同的是，此時認為存在多個食物源。這樣各個螞蟻通過一定的概率實現移動，並聚集在不同的食物源而實現聚類。

C. 蟻群演算法及其應用實例

       蟻群演算法(ant colony optimization, ACO)，又稱螞蟻演算法，是一種對自然界螞蟻的尋徑方式進行模擬而得到的一種仿生演算法，是一種用來在圖中尋找優化路徑的機率型演算法。
       螞蟻在運動過程中，可以在行走的路徑上留下信息素，後來的螞蟻可以感知到信息素的存在，信息素濃度越高的路徑越容易被後來的螞蟻選擇，從而形成一種正反饋現象。
       它能夠求出從原點出發，經過若干個給定的需求點，最終返回原點的最短路徑。這也就是著名的旅行商問題(Traveling Saleman Problem，TSP)。

       若螞蟻從A點出發到D點覓食，它可以隨機從ABD或ACD中選擇一條路。假設初始時為每條路分配一隻螞蟻，每個時間單位行走一步，則經過8個時間單位後，情形如下圖所示：ABD路線的螞蟻到達D點，ACD路線的螞蟻到達C點。

       那麼，再過8個時間單位，很容易可以得到下列情形：ABD路線的螞蟻回到A點，ACD路線的螞蟻到達D點。

α 代表信息素量對是否選擇當前路徑的影響程度，反映了蟻群在路徑搜索中隨機性因素作用的強度。
α 越大，螞蟻選擇以前走過的路徑的可能性越大，搜索的隨機性就會減弱。
α 過小，會導致蟻群搜索過早陷入局部最優，取值范圍通常為[1,4]。

β 反映了啟發式信息在指導蟻群搜索中的相對重要程度，蟻群尋優過程中先驗性、確定性因素作用的強度。
β 過大，雖然收斂速度加快，但是易陷入局部最優。
β 過小，蟻群易陷入純粹的隨機搜索，很難找到最優解。通常取[0,5]。

ρ 反映了信息素的蒸發程度，相反，1-ρ 表示信息素的保留水平
ρ 過大，信息素會發過快，容易導致最優路徑被排除。
ρ 過小，各路徑上信息素含量差別過小，以前搜索過的路徑被在此選擇的可能性過大，會影響演算法的隨機性和全局搜索能力。通常取[0.2,0.5]。

m過大，每條路徑上信息素趨於平均，正反饋作用減弱，從而導致收斂速度減慢。
m過小，可能導致一些從未搜索過的路徑信息素濃度減小為0，導致過早收斂，解的全局最優性降低

總信息量Q對演算法性能的影響有賴於αβρ的選取，以及演算法模型的選擇。
Q對ant-cycle模型蟻群演算法的性能沒有明顯影響，不必特別考慮，可任意選取。

D. 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

E. 蟻群演算法中轉移概率是怎麼用的.不同的螞蟻為什麼會選擇不同的路徑

因為不同路徑的信息素和啟發信息不同，所以向每條路徑轉移的概率也不同；
具體實現可以運用輪盤賭選擇，轉移概率越大的路徑就會有更多的螞蟻選擇.。
Prime 演算法和 Kruskal 演算法都是用來求加權連通簡單圖中權和最小的支撐樹（即最小樹）的，Prime演算法的時間復雜度為O(n^2) （n 為頂點數），Kruskal 演算法的時間復雜度為 O(eln(e)) （e為邊數），這兩種演算法都是多項式時間演算法，也就是說，最小樹問題已經有了有效演算法去求解，屬於P問題。
Dijkstra 演算法求解的是加權連通簡單圖中一個頂點到其它每個頂點的具有最小權和的有向路，最簡單版本的時間復雜度是O(n^2)，也是多項式時間演算法。
而蟻群演算法是一種近似演算法，它不是用來解決已存在精確有效演算法的問題的，而是用來解決至今沒有找到精確的有效演算法的問題的，比如旅行商問題（TSP）。
旅行商問題也可以說是求「最短路徑」，但它是求一個完全圖的最小哈密頓圈，這個問題至今未找到多項式時間演算法，屬於NPC問題，也就是說，當問題規模稍大一點，現有的精確演算法的運算量就會急劇增加。
文中的某些觀點引自知乎大神余幸恩，感謝幫忙！~

F. 智能優化演算法是幾階演算法

是八階演算法，主要包括:
(1)遺傳演算法: 模仿自然告運界生物進化機制
(2)差分進化算春陪法: 通過群體個體間的合作與競爭來優化搜索
(3)免疫演算法: 模擬生物免疫系統學習和認知功襪森梁能
(4)蟻群演算法:模擬螞蟻集體尋徑行為
(5)粒子群演算法:模擬鳥群和魚群群體行為
(6)模擬退火演算法:源於固體物質退火過程
(7)禁忌搜索演算法:模擬人類智力記憶過程
(8)神經網路演算法:模擬動物神經網路行為特徵

G. 群智能演算法及其應用的介紹

群智能演算法作為一種新興的演化計算技術，已成為越來越多研究者的關注焦點，它與人工生命，特別是進化策略以及遺傳演算法有著極為特殊的聯系。群智能理論研究領域主要有兩種演算法：蟻群演算法和粒子群優化演算法。蟻群演算法是對螞蟻群落食物採集過程的模擬，已成功應用於許多離散優化問題。粒子群優化演算法也是起源於對簡單社會系統的模擬，最初是模擬鳥群覓食的過程，但後來發現它是一種很好的優化工具。

H. 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

I. 蟻群演算法的概念,最好能舉例說明一些蟻群演算法適用於哪些問題!

概念：蟻群演算法(ant colony optimization,ACO),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
其原理：為什麼小小的螞蟻能夠找到食物?他們具有智能么?設想,如果我們要為螞蟻設計一個人工智慧的程序,那麼這個程序要多麼復雜呢?首先,你要讓螞蟻能夠避開障礙物,就必須根據適當的地形給它編進指令讓他們能夠巧妙的避開障礙物,其次,要讓螞蟻找到食物,就需要讓他們遍歷空間上的所有點；再次,如果要讓螞蟻找到最短的路徑,那麼需要計算所有可能的路徑並且比較它們的大小,而且更重要的是,你要小心翼翼的編程,因為程序的錯誤也許會讓你前功盡棄.這是多麼不可思議的程序!太復雜了,恐怕沒人能夠完成這樣繁瑣冗餘的程序
應用范圍：螞蟻觀察到的范圍是一個方格世界,螞蟻有一個參數為速度半徑（一般是3）,那麼它能觀察到的范圍就是3*3個方格世界,並且能移動的距離也在這個范圍之內
引申：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置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!蟻群演算法的實現 下面的程序開始運行之後,螞蟻們開始從窩里出動了,尋找食物；他們會順著屏幕爬滿整個畫面,直到找到食物再返回窩.其中,『F』點表示食物,『H』表示窩,白色塊表示障礙物,『+』就是螞蟻了.

J. 蟻群演算法實際應用中參數是怎麼選擇的

參數一般都是憑經驗設置的。
運氣好的話，初始值選的好，就迭代的好，一般沒有啥最優的公式。