殖民算法

A. 什么是帝国主义的竞争算法

一、定义：帝国竞争算法(imperialist competitive algorithm, ICA )是一种受帝国竞争行为启发的新的智能优化算法，它与粒子群优化(PSO)、蚁群(BCO)等算法一样，都属于基于群体的随机优化搜索算法。
二、详细介绍：
受帝国主义殖民竞争机制的启发，Atashpaz-Gargari和Lucas于2007年提出了一种新的智能优化算法—帝国竞争算法 (ICA)。与GA, PSO, ABC等受生物行为启发的群智能算法不同，ICA受社会行为启发，通过摸拟殖民地同化机制和帝国竞争机制而形成的一种优化方法。ICA也是一种基于群体的优化方法，其解空间由称为国家的个体组成。ICA将国家分为几个子群，称为帝国。在每个帝国内，ICA通过同化机制使非最优的国家(殖民地)向最优国家(帝国主义国家)靠近，该过程类似于PSO。帝国竞争机制是ICA的关键，ICA通过帝国竞争机制将最弱帝国中的一个或多个殖民地移动到其他帝国，使帝国之间可以进行信息交互。
目前，国外已有许多学者对ICA的性能改进以及实际应用进行了大量的研究，也取得了一定的进展。ICA已被广泛用于解决各种实际的优化问题，如调度问题、分类问题、机械设计等。然而，该算法仍然存在多样性下降较快、易早熟收敛等缺陷。另外，ICA提出的时间较短，尚有很大的研究空间。
三、优点：

帝国竞争算法与PSO, GA相比，收敛速度快、收敛精度高，具有较强的全局收敛性。算法利用殖民地向帝国主义国家移动进行局部搜索，即在较优区域内进行大力度开采，保证了算法的局部搜索能力。同时，帝国竞争操作使帝国内的殖民地可以向其他帝国移动，突破了原来的搜索范围，增加了种群多样性，在一定程度上起到克服“早熟”现象的作用。此外，帝国合并操作大大加快了算法的收敛速度，对于低维度优化问题，具有较明显的优势。
四、存在的问题：
群智能优化算法的“开采”和“勘探”能力是互相制约的，“开采”能力较强时，群体的多样性会受影响，而“勘探”能力较强则算法的全局收敛速度会变慢。原始的ICA算法还不能很好地平衡这两点，其局部搜索能力较强，收敛速度快，因此优化高维多模问题时，容易陷入局部最优。
帝国合并以及帝国覆灭使ICA的帝国个数不断减少，导致群体多样性降低，算法的全局“勘探”能力受影响，易出现“早熟”现象。
帝国竞争操作体现了帝国之间的信息交互，然而，帝国竞争在每一次迭代中只是将最弱的殖民地归于最强的帝国，该过程对每个帝国的势力大小影响很小，需要多次迭代才能体现出来，帝国之间缺乏更有效的信息交互，即群体多样性的体现并不明显。

B. 求高手翻译啊！

刘建国，赵Linming。阿法的水电站经济
调度方案的基础上演化研究[J]。水力发电
[2] Dorigo男，卡洛克迪蚁群优化元启发式：
在优化[米]新思路。纽约：McGraw-希尔，1999
[3] Talbié四并行蚁群的二次分配问题。
下一代计算机系统[J].2001，17:441449
[4]林兆华，侯云和，熊新银，陆丽娟。广义蚂蚁
蚁群优化无功优化算法
电力系统[J]。中北中国电力大学，
2003年，30（2）：69

C. 请高手帮忙翻译一下通信方面专业外语的句子

发现边缘弄乱道路在网络: 一只蚂蚁 殖民地优化算法

D. 土模专业英语高手帮忙翻译

威尔逊[12]等使用发现卡车队mod的统计发行的贝叶斯更新
当应用的动态力量知道，与一动态地被校准的多senso的实际情形
称在行动系统。本文解决同一个问题，但是的提供的直接方案
洞察到力量样式的敏感性里对变化的在舰队物产上。这里发行o
使平方和找到舰队的物产区别减到最小理论之间的
力量的统计的测量。许多优化方法根据梯度或冒充gradien
技术。优化技术缺点例如梯度下降，牛顿类型方法
在他们的自然，他们不很好应付问题havnon凸面目标函数和许多地方最宜的易变的公尺，共轭梯度， etc.are。有多极值的许多应用
连续的优化问题。对这些问题的一种普遍和方便方法是对系统地
分成可行区域入更小的区域从一最宜然后移动到另一个，根据
随机搜寻得到的信息。
被描述的优化问题这里是特别困难的。要求发现statistica
描述卡车队的动态属性发行的参量。每个试验卡车队是
定义由统计参量例如悬浮僵硬的卑鄙和标准偏差，悬浮
阻止，轮胎僵硬，被反弹的许多和没有装弹簧的大量。什么做不同这个的问题是总和o
区别正方形提到力量的统计发行从卡车舰队的而不是
从一辆单独卡车的力量。使用蒙特卡洛模仿引起这样发行意味那那里
在目标函数的每个评估的无规则变化在点。可以的优化方法
适用于这样一个性恶问题包括被模仿的焖火，门限采纳，基因
算法、殖民地方法和随机比较方法[13-17]。
优化，附录A发怒熵(铈)方法， [18]用于本文，当它考虑a
同时可选择的解决方案的因此世代和是厚脸皮的对`noisiness'of问题
解答的世代统计参量的聚合对优选或近优选的解答。为
一个被模仿的例子，显示铈可能顺利地找到卡车队统计参量哪些给a
对动态力量的被瞄准的样式的好比赛在路面的。
文章在新闻中
声音和振动311 (2008) 1161-1174 A.Belay等或学报1163年

E. 车辆路径问题的车辆路径问题的发展

1959年Dantzig和Ramse首次对闭合式VRP进行了研究，描述的是将汽油送往各个加油站的实际问题，并首次提出了相应的数学规划模型以及求解算法。
1964年，Clark和Wright[4]一种对Dantzig-Ramse方法改进的有效的启发式算法Clark-Wright节约算法。
正是由于以上两篇开创性论文的发表，使得VRP成为运筹学以及组合优化领域的前沿和研究热点课题。
1969年，Christofides和Eilon应用2-opt[5]和3-opt[6]处理车辆路径问题。
1970年，提出了两阶段方法求解车辆路径问题，包括先分组后定路线（clusterfirst-route second）和先定路线后分组（routefirst-cluster second）两种启发式策略。
1981年，Fisher和Jaikumar提出以数学规划为主的最优化方法来处理包含大约50个顾客点的问题,同样其运算效率是一个亟待解决的问题。同年，Gullen，Jarvis和Ratliff建立了人机互动的启发式方法。
1981年，Bodin and Golden将众多的VRP求解方法进行了归纳。分为以下七种：数学解析法（Exact Procere）；人机互动法（Interactive Optimization）；先分群再排路线（Cluster First–Route Second）；先排路线再分群（Route First–Cluster Second）；节省法或插入法（Saving or Insertion）；改善或交换法（Improvement or Exchanges）；数学规划近似法（Mathematical programming）。
1990年以来，人工智能方法在解决组合优化问题上显示出强大功能，在各个领域得到充分应用，很多学者也将人工智能引入车辆路线问题的求解中，并构造了大量的基于人工智能的启发式算法。 禁忌搜索法（TS）基本上是属于一种人工智能型（AI）的局部搜寻方法，Willard首先将此算法用来求解VRP 。袁庆达[7]等设计了考虑时间窗和不同车辆类型的禁忌算法，这种算法主要采用GA方法产生初始解，然后禁忌算法对初始解优化。模拟退火方法具有收敛速度快，全局搜索的特点，Osman[8]对VRP的模拟退火算法进行了研究。遗传算法具有求解组合优化问题的良好特性，Holland首先采用遗传算法（GA）编码解决VRPTW 问题。现在多数学者采用混合策略，分别采用两种人工智能方法进行路线分组和路线优化。Ombuki[9]提出了用GA进行路线分组，然后用TS方法进行路线优化的混合算法。Bent和Van Hentenryck[10]则首先用模拟退火算法将车辆路线的数量最小化，然后用大邻域搜索法（largneighborhood search）将运输费用降到最低。
综合过去有关VRP的求解方法，可以将其分为精确算法（exact algorithm）与启发式算法（heuristics），其中精确算法有分支界限法、分支切割法、集合涵盖法等；启发式算法有节约法、模拟退火法、确定性退火法、禁忌搜寻法、基因算法、神经网络、蚂蚁殖民算法等。