一种自适应蚁群算法及其仿真研究
基于自适应蚁群算法的研究
标准蚁群算法的对 比， 学者就提出了一种 自 适应蚁群算法。
５ 自适应 的信息更新策略 ． 不 同的信息素更新方 式对蚁群算法 的性 能影 响很 大，比如算法的
蚂蚁在外出觅食 的过程 中， 不断地在经过的路径上释放信息激素以 便和其他的蚂蚁进行联 系，这种信息激素 的浓度随着经过该路径的蚂
分散 ， 从而避免了早熟和局部收敛 ， 提高全局搜索能力。
６结 论 ．
（ ） 了信息素均匀分配策略 ， ３采用 即对已搜索路径中的所有路段采
用同样 的信息素增量 ， 与路段的重要性无关， 没有考虑 当连续空 间优化
问题转换 到有 向图搜索问题时 ，信息素分 配给可行解带来 的尺度变化 对于连续解空 间搜索效率的影 响。
性。
［ 关键词 】 蚁群算法 自适应
１引 言 ．
信息素
优化
ａ ｍ］ ｒ ａ ｇ 【
｛，Ｉ： ）， ｒ Ｐ Ｔ（ ｊ看 ≤ ｏ ） ０
受自 然界 中真实蚂蚁行 为的启发 ，９ １ １９ 年意 大利 学者 Ｍ ｏ ｇ 等 Ｄｆｏ ｉ
首先提 出了蚁群算法 ， 并将之应用于复杂组合优化问题的求解 ， 取得了 较好的效果。但该算法也存在一些缺点 ， 如进化速度慢 ， 易陷入局部最 优等 。我国于 １９ 年末才开始有少量公开报道和研究成果 。 ９８ ２蚁 群算 法 原 理 ．
其 中，ｏ ０ １， 是（，） Ｐ∈（，）ｒ ０ １中均匀分布的随机数。当进化方向基本确
定后 ， 简单 的放大（ 或缩小） 法调整每一路径上 的信息 量 ， 方 该方法不仅
能够加快收敛速度 ，节省搜索 时间，而且能够克服停滞行为 的过早 出 现， 有利于发现更好 的解 ， 这对 于求解大规模优化 问题是有益 的。通过
基于MATLAB_Simulink的蚁群算法仿真研究及其应用概要
基于MATLAB/Simulink的蚁群算法仿真研究及其应用贺光辉谭冠政(中南大学信息科学与工程学院长沙410083摘要:本文以蚁群算法为基础,基于MATLAB/sIMuLINK仿真工具,提出一种最优PID控制器的设计方案,并详细介绍了利用MATLAB/sIMuLINK软件仿真实现的具体步骤。
最后,以智能仿生人工腿伺服控制系统为被控对象,仿真试验验证了设计方案的有效性和正确性,与传统的PID相比具有更好的动静态性能。
关键词:蚁群算法;最优PID控制器;智能仿生人工腿; MATLAB/SINULINK;仿真研究Simulation Study and Application of Ant Algorithm Basedon MATLAB/SimulinkHe Guanghui Tan guanzheng(Cenmr South University,Changsha,Hunan,410083。
ChinaAbstract:A new plan for the optimal PID controller is proposed based on ant algorithm using MATLAB/SIMULINK simulation software,and the main simulation steps are presented.Finally,intelligent bionic artificial leg servo control system is taken as the controlled object.The simulation validated that the design is valid and correct,and has betterdynamicand static performance compared with the traditional PID controller.Keywords:ant algorithm;optimal PID controller;intelligent bionic artificialleg;MATLAB/SIMULINK;simulation study引言蚁群系统(AntSystem与蚁群算法(AntAlgorithms是由意大利学者Marco Dodgo等人在1991年提出的一种全新的模拟进化算法【Ⅷ,它是一种通用的启发式算法,可用来解决各种不同的组合优化问题。
基于MATLAB的自适应蚁群聚类算法研究与仿真
关键 词 ： 蚁群算法 ； 聚类分析 ； 自适应 ； Ｔ Ａ ＭＡ Ｌ Ｂ
中图分类号 ：Ｐ ８ Ｔ １
文献标 识码 ： Ａ
ＤＯ ： ０３ ６ ￣ｉ ｎ１０ ．９０２ １．７ ３ Ｉ １． ９ ．ｓ．０ ３６ ７ ． ２０ ． ５ ９ ｓ ０ ０
Ｚ ＨＯＵ Ｔ ｎ ｅｇ
（ｏ ｔ— ｅ ｔ ｌ ｎｖ ｒｉ ｆ ｒ ａｉｎ ｌ ｉ ， ｏｌ ｅｏ ｃ ｍ ｕｅ ｉ ｃ， ｈ ｎ ３ ０ ４ Ｃ ｉａ Ｓ ｕｈＣ ｎｒ ｉ ｓ ｙ ｏ ｔ ａ ｉｅ Ｃ ｌ ｇ ｏ ｐ ｔｒ ｃ ｎ ｅ Ｗｕ ａ ０ ７ ， ｈ ） ａＵ ｅ ｔ Ｎ ｏ ｔｓ ｅ ｆ ｓｅ ４ ｎ
ＭＡＴＬ ＡＢ ｓｍｕ ａ ｉｎ ａ ｄ ｅ ｐ ｒ ｅ ｔ ｌ ｅ ｕ ｔ ｈ ｗ ｈ ｔ ｈ ｓ ｆ ｈ ｌ ｏ ｔ ｍ ａ ｅ ｅｔｒｃｕ ｔ ｒ ｇ ｒ ｓ ｌ ， ｉ ｈ ｄ ｍ ｏ ｓｒ ｔ ａ ｉ ｌｔ ｎ ｘ ｅ ｍ ｎ ａ ｓ ｌ ｓ ｏ ｔ ａ ｅｕ ｅ ｏ ｅ ａｇ ｒ ｈ ｃ ｎ ｇ ｔ ｔ ｌ ｓｅ ｎ ｅ ｕ ｔ ｗｈ ｃ ｅ ｎ ｔ ｅｔ ｔ ｏ ｉ ｒ ｓ ｔ ｔ ｉ ｂ ｅ ｉ ｓ ａ ｈ ｔ ｅａ ｇ ｒｔ ｍ ｅ ｓｂ ｅ ｈ ｌ ｏ ｈ ｉ ｆ ａ ｉ ｌ． ｉ ｓ
［ ｙｗｏｄ ］ ｎ ｏｏ ｙ ｌｏｉ ｍ； ｌｓ ｒ ｎｌｓ ； ｄ ｐｉｅＭＡ Ｌ Ｂ Ｋｅ ｒ ｓ ＡБайду номын сангаасｔ ｌｎ ｇ ｒｈ Ｃｕｔ ａｙｉ Ａ ａｔ ； Ｔ Ａ ｃ ａ ｔ ｅａ ｓ ｖ
０ 引 言
蚁群 算法 …最早 是由 Ｍ． ｒ ｏ Ｖ． ｎｉ ｚ Ｄｏｉ ， Ｍａ ｌ ｚ ｏ等人 首先 ｇ ｅ 提 出来的 ， 它是 一种描述 基于蚁 群群体行 为的算法 ， 智能群 是 体 算法 的一个分支 。该算法在 旅行商 问题和其 它优化 问题 中 获得 了一 系列理想的实验结果， 充分体现了该 算法 的可行性 。
蚁群算法（ACA）及其Matlab实现
蚁群算法（ACA）及其Matlab实现1基本原理：本质上也是⼀种概率算法，通过⼤概率收敛到最佳值，和其他的智能算法很相似。
蚁群分泌的信息素存在正反馈，使得较佳的解具有⼤概率被选到，当全局都选⽤较佳的解，变可以得到整体的最优解。
2⼏个关键点：1）概率选择：受信息素浓度和启发函数影响，启发函数为距离的倒数2）信息素挥发考虑到信息素随时间的挥发，加⼊挥发因⼦3程序设计步骤：1初始化各个参数：包括各点的距离，信息素的初始浓度，蚂蚁数量，信息素挥发因⼦，信息素和启发函数的重要度因⼦，启发函数，最⼤迭代次数，路径记录表等等2迭代：对每个蚂蚁随机制定初始值，再根据概率选择，选择出每只蚂蚁的路径，确定每只蚂蚁的路径总长度，以及蚁群的最佳路径长度和平均长度，并对信息素进⾏更新。
3展⽰：展⽰出最佳路径，以及最佳路径对迭代的变化图4Matlab代码clc,clear %清空环境中的变量load data.txt %读⼊城市的坐标t0 = clock; %程序计时开始%%%%%%%%%%%%%%%%%%%%%初始化%%%%%%%%%%%%%%%%%city=data;n = size(city,1); %城市距离初始化D = zeros(n,n);for i = 1:nfor j = 1:nif i ~= jD(i,j) = sqrt(sum((city(i,:) - city(j,:)).^2));elseD(i,j) = 0; %设定的对⾓矩阵修正值endendendm=30; %蚂蚁数量alpha = 1; % 信息素重要程度因⼦beta = 5; % 启发函数重要程度因⼦v = 0.1; % 信息素挥发因⼦Q = 0.5; % 信息因⼦常系数H= 1./D; % 启发函数T= ones(n,n); % 信息素矩阵Table = zeros(m,n); % 路径记录表iter = 1; % 迭代次数初值iter_max = 50; % 最⼤迭代次数best_route = zeros(iter_max,n); % 各代最佳路径best_length = zeros(iter_max,1); % 各代最佳路径的长度%%while iter<=iter_max% 随机产⽣每只蚂蚁的起点城市start = zeros(m,1);for i = 1:mtemp = randperm(n);start(i) = temp(1);endTable(:,1) = start;city_index=1:n;for i = 1:m% 逐个城市路径选择for j = 2:ntabu = Table(i,1:(j - 1)); % 已访问的城市集合allow =city_index( ~ismember(city_index,tabu)); % 筛选出未访问的城市集合P = zeros(1,length(allow));% 计算相连城市的转移概率for k = 1:length(allow)P(k) = T(tabu(end),allow(k))^alpha * H(tabu(end),allow(k))^beta;endP = P/sum(P);% 轮盘赌法选择下⼀个访问城市Pc = cumsum(P); %参加说明2(程序底部)target_index = find(Pc >= rand);target = allow(target_index(1));Table(i,j) = target;endend% 计算各个蚂蚁的路径距离Length = zeros(m,1);for i = 1:mRoute = [Table(i,:) Table(i,1)];for j = 1:nLength(i) = Length(i) + D(Route(j),Route(j + 1));endend%对最优路线和距离更新if iter == 1[min_length,min_index] = min(Length);best_length(iter) = min_length;best_route(iter,:) = Table(min_index,:);else[min_length,min_index] = min(Length);if min_length<best_length(iter-1)best_length(iter)=min_length;best_route(iter,:)=Table(min_index,:);elsebest_length(iter)=best_length(iter-1);best_route(iter,:)=best_route(iter-1,:);endend% 更新信息素Delta_T= zeros(n,n);% 逐个蚂蚁计算for i = 1:m% 逐个城市计算Route = [Table(i,:) Table(i,1)];for j = 1:nDelta_T(Route(j),Route(j+1)) = Delta_T(Route(j),Route(j+1)) +D(Route(j),Route(j+1))* Q/Length(i); endendT= (1-v) * T + Delta_T;% 迭代次数加1，并清空路径记录表iter = iter + 1;Table = zeros(m,n);end%--------------------------------------------------------------------------%% 结果显⽰shortest_route=best_route(end,:); %选出最短的路径中的点short_length=best_length(end);Time_Cost=etime(clock,t0);disp(['最短距离:' num2str(short_length)]);disp(['最短路径:' num2str([shortest_route shortest_route(1)])]);disp(['程序执⾏时间:' num2str(Time_Cost) '秒']);%--------------------------------------------------------------------------%% 绘图figure(1)%采⽤连线图画起来plot([city(shortest_route,1);city(shortest_route(1),1)], [city(shortest_route,2);city(shortest_route(1),2)],'o-');for i = 1:size(city,1)%对每个城市进⾏标号text(city(i,1),city(i,2),[' ' num2str(i)]);endxlabel('城市位置横坐标')ylabel('城市位置纵坐标')title(['蚁群算法最优化路径(最短距离）:' num2str(short_length) ''])figure(2)%画出收敛曲线plot(1:iter_max,best_length,'b')xlabel('迭代次数')ylabel('距离')title('迭代收敛曲线') 程序说明：采⽤蚁群算法求取TSP问题，共有34个城市，从txt⽂件加载数据：运⾏结果：。
基于智能蚁群算法的路径规划与优化研究
基于智能蚁群算法的路径规划与优化研究智能蚁群算法是一种基于自然界中蚂蚁寻路行为的优化算法。
它模拟了蚂蚁在寻找食物时的规律和策略，通过大量的蚁群个体之间的交流和协作，不断寻找最优路径。
在路径规划和优化领域，智能蚁群算法已经被广泛应用，并且在很多问题中获得了非常良好的效果。
优化问题是人类在计算机科学、工程学、生物学等众多领域中面临的问题之一。
在这些领域中，优化的问题通常都可以被看做是寻找最优解的问题。
不过，由于优化问题的复杂度非常高，特别是在实际应用中，通常会面临着大量的约束条件、未知的参数和非线性问题等复杂情况。
这时候，智能蚁群算法优化算法就起到了重要作用。
通过模拟蚂蚁在寻找食物时的行为和策略，智能蚁群算法能够有效的解决一些复杂的优化问题。
相比于传统的优化算法，智能蚁群算法具有以下的优点。
首先，智能蚁群算法具有较好的鲁棒性。
由于该算法模拟自然界中的动物寻路行为，蚁群个体之间输入输出非常简单，因此算法具有很高的兼容性和鲁棒性。
即使在某个蚁群个体出现失效的情况下，整个算法系统也不会因此而崩溃。
其次，智能蚁群算法能够自适应。
蚂蚁在寻找食物时，会根据周围环境的变化来自适应调整自己的行为和策略。
在智能蚁群算法中，每个蚂蚁节点也会根据自身的数据来调整自己的路径搜索策略，达到更优的效果。
最后，智能蚁群算法聚类效果良好。
在寻找食物时，蚂蚁节点会通过一个简单的信息传递机制来寻找最优食物位置。
在计算机算法中，智能蚁群算法也会通过这种信息传播方式来避免重复搜索，并且提高搜索效率。
在路径规划和优化问题中，智能蚁群算法也被广泛应用。
对于一个定位的问题场景来说，智能蚁群算法可以有效的寻找到最短路径。
在蚁群行动过程中，逐渐建立了路径信息素分布模型，已经过的路径留下的信息仍会影响后续的选择，从而获得更加优秀的解。
在实际应用中，智能蚁群算法可以用于非常多的应用场景。
例如，在交通出行中，可以利用智能蚁群算法来进行路径规划和优化；在机器人路径规划中，也可以利用智能蚁群算法来确定最优路径；在电力系统中，可以利用智能蚁群算法来优化发电和输电效率。
应用篇-第11章-蚁群算法的仿真与实现
11.2.6
信息素挥发的抽象
自然界中的真实蚂蚁总是在所经路径上连续不断地留下信息素，而 信息素也会随着时间的推移而连续不断地挥发。由于计算机处理的 事件只能是离散事件，所以必须使信息素的挥发离散发生。通常的 做法是，当蚂蚁完成从某一节点到下一节点的移动后，即经过一个 时间单位之后，进行一次信息素的挥发，而这种在离散时间点进行 信息素挥发的方式与蚂蚁觅食过程的机理是完全相符的。11.2.2来自基本蚁群算法的机制原理
模拟蚂蚁群体觅食行为的蚁群算法是作为一种新的计算智能 模式引入的，该算法基于如下基本假设： （1）蚂蚁之间通过信息素和环境进行通信。每只蚂蚁仅根 据其周围的局部环境做出反应，也只对其周围的局部环境产 生影响。 （2）蚂蚁对环境的反应由其内部模式决定。因为蚂蚁是基 因生物，蚂蚁的行为实际上是其基因的适应性表现，即蚂蚁 是反应型适应性主体。 （3）在个体水平上，每只蚂蚁仅根据环境做出独立选择； 在群体水平上，单只蚂蚁的行为是随机的，但蚁群可通过自 组织过程形成高度有序的群体行为。
(1) 人工蚂蚁存在于一个离散的空间中，它们的移动是从一个状态到另一 个状态 的转换；
(2) 人工蚂蚁具有一个记忆其本身过去行为的内在状态；
(3) 人工蚂蚁存在于一个与时间无关联的环境之中； (4) 人工蚂蚁不是完全盲从的，它还受到问题空间特征的启发。例如有的 问题中 人工蚂蚁在产生一个解后改变信息量，而有的问题中人工蚂蚁每作出 一步选择 就更改信息量，但无论哪种方法，信息量的更新井不是随时都可 进行的； (5) 为了改善算法的优化效率，人工蚂蚁可增加一些性能，如预测未来、 局部优化、回退等，这些行为在真实蚂蚁中是不存在的。在很多具体应用中， 人工蚂 蚁可在局部优化过程中相互交换信息，还有一些改进蚁群算法中的人 工蚂蚁可 实现简单预测。
毕业论文：蚁群算法的研究应用(定稿)-精品【范本模板】
第一章绪论1。
1选题的背景和意义受社会性昆虫行为的启发，计算机工作者通过对社会性昆虫的模拟产生了一系列对于传统问题的新的解决方法，这些研究就是群体智能的研究。
群体智能作为一个新兴领域自从20世纪80年代出现以来引起了多个学科领域研究人员的关注，已经成为人工智能以及经济社会生物等交叉学科的热点和前沿领域。
群体智能（Swarm Intelligence）中的群体（Swarm）指的是“一组相互之间可以进行直接通信或者间接通信(通过改变局部环境）的主体,这组主体能够合作进行分布问题求解，群体智能指的是无智能或者仅具有相对简单智能的主体通过合作表现出更高智能行为的特性；其中的个体并非绝对的无智能或只具有简单智能,而是与群体表现出来的智能相对而言的。
当一群个体相互合作或竞争时，一些以前不存在于任何单独个体的智慧和行为会很快出现。
群体智能的提出由来已久，人们很早以前就发现,在自然界中，有的生物依靠其个体的智慧得以生存,有的生物却能依靠群体的力量获得优势。
在这些群体生物中,单个个体没有很高的智能,但个体之间可以分工合作、相互协调,完成复杂的任务，表现出比较高的智能。
它们具有高度的自组织、自适应性,并表现出非线性、涌现的系统特征。
群体中相互合作的个体是分布式的，这样更能够适应当前网络环境下的工作状态；没有中心的控制与数据，这样的系统更具有鲁棒性，不会由于某一个或者某几个个体的故障而影响整个问题的求解。
可以不通过个体之间直接通信而是通过非直接通信进行合作，这样的系统具有更好的可扩充性。
由于系统中个体的增加而增加的系统的通信开销在这里十分小.系统中每个个体的能力十分简单，这样每个个体的执行时间比较短，并且实现也比较简单，具有简单性。
因为具有这些优点，虽说群集智能的研究还处于初级阶段，并且存在许多困难，但是可以预言群集智能的研究代表了以后计算机研究发展的一个重要方向。
随着计算机技术的飞速发展，智能计算方法的应用领域也越来越广泛，当前存在的一些群体智能算法有人工神经网络，遗传算法，模拟退火算法，群集智能,蚁群算法,粒子群算等等。
一种动态自适应蚁群算法
输出最佳结果； /
/ ;:>;
（* 0" ； BC* *01 ； *)) ）
. $ *"#*"；
（#* ， ； 29:;（ " $ *） * 7）
/
（* 0" ； BC* *01 ； *)) ） #* ： "$ *；
/
（* 0" ； *01 ； *)) ） BC* 计算 ,61<(=* 并求出最优长度的平均值 4F;G 。 （平均值 4F;G 与前一次 4F;G 计算值相同） 8B ’"’2’ ； ;:>; ’0’ ； （’） ’ "’ - / ； （ 每条边 ;H+; （# ， ） BC* $）
蚁群算法中的信息素进行自适应调整。实验结果表明， 该算法比传统的蚁群算法和传统的 JJC/ 蚁群算法具有更好的 搜索全局最优解的能力， 并具有更好的稳定性和收敛性。 关键词 蚁群算法 自适应 信息素 优化 文献标识码 C 中图分类号 V&#&$7
（!""# ） 文章编号 &""!3H77&3 !%3"&#%3"#
,G， H-
!
基本蚁群算法
以 ./0 问题为例说明基本蚁群算法的框架。设有 ! 个 城
市， 采 用 #（ 表示城市 $ 和城市 % 之间 " 只蚂蚁， %&& ， !， $$$ ， !） $% $ ， 的距离， 表示在时刻 ’ 城市 $ 和城市 % 之间的路径上的残 !（ $% ’ ） 留信息素强度， 以此来模拟实际蚂蚁的分泌物。蚂蚁 ( 在行进 过程中， 根据各条路径上的信息素强度来决定下一步所行进的 （’ ） 表示在时刻 ’ 蚂蚁 ( 由城市 $ 转移到城市 % 的 路径， 采用 ) $% 概率， 则有：
《蚁群算法的研究及其在路径寻优中的应用》范文
《蚁群算法的研究及其在路径寻优中的应用》篇一蚁群算法研究及其在路径寻优中的应用一、引言随着现代科技的飞速发展，优化问题在众多领域中显得尤为重要。
路径寻优作为优化问题的一种，其应用广泛存在于物流运输、网络通信、城市交通等多个领域。
蚁群算法作为一种模拟自然界中蚂蚁觅食行为的仿生算法，因其良好的寻优能力和鲁棒性，在路径寻优问题上得到了广泛的应用。
本文将详细研究蚁群算法的原理及其在路径寻优中的应用。
二、蚁群算法的研究1. 蚁群算法的原理蚁群算法是一种模拟自然界中蚂蚁觅食行为的仿生算法。
在寻找食物的过程中，蚂蚁会释放一种特殊的化学物质——信息素，沿着路径寻找食物的过程中留下这种物质。
当其他蚂蚁遇到这条路径时，会被信息素吸引并沿着该路径前进，从而形成一个正反馈机制。
这种正反馈机制使得更多的蚂蚁沿着较短的路径移动，最终达到寻找食物的目的。
2. 蚁群算法的特点蚁群算法具有以下特点：一是分布式计算，多个蚂蚁并行搜索，具有较强的鲁棒性；二是正反馈机制，有利于快速找到最优解；三是通过信息素的传递和更新，能够自适应地调整搜索策略。
这些特点使得蚁群算法在解决复杂优化问题时具有较高的效率和较好的效果。
三、蚁群算法在路径寻优中的应用1. 物流运输路径优化物流运输是路径寻优问题的一个重要应用领域。
通过应用蚁群算法，可以有效地解决物流运输中的路径优化问题。
具体而言，蚁群算法可以根据不同地区的货物需求、运输车辆的容量、道路交通状况等因素，寻找最优的运输路径，从而提高物流运输的效率和降低成本。
2. 城市交通网络优化城市交通网络优化是解决城市交通拥堵问题的有效手段之一。
通过应用蚁群算法，可以优化城市交通网络中的路径选择问题，避免交通拥堵现象的发生。
具体而言，蚁群算法可以通过模拟车辆的行驶行为和交通信号的控制，寻找最优的路径和交通信号控制策略，从而有效地提高城市交通网络的运行效率。
四、蚁群算法的改进及应用展望1. 蚁群算法的改进虽然蚁群算法在路径寻优问题上取得了显著的成果，但仍存在一些不足之处。
自适应蚁群算法
自适应蚁群算法!张纪会（东北大学控制仿真中心·沈阳， ）高齐圣（青岛化工学院计算机系·青岛， ）徐心和（东北大学控制仿真中心·沈阳， ）摘要：蚁群算法是由意大利学者 等人首先提出的一种新型的模拟进化算法，初步的研究已经表明该算法具有许多优良的性质，为求解算杂的组合优化问题提供了一种新思路 此方法已经引起了众多学者的研究兴趣 但同时也存在着一些缺点，如需要较长的计算时间，容易出现停滞现象等 目前国内对此研究尚少，为此，本文对蚁群算法的研究现状作一综述，希望能够对相关研究起到一定的启发作用关键词：蚁群算法；强化学习；旅行商问题文献标识码：（ ， · ， ， ）（ ， · ， ， ）（ ， · ， ， ）： ， ， ， ， ，： ； ；引言（ ）本世纪 年代中期创立了仿生学，人们从生物进化的机理中受到启发，提出了许多用以解决复杂优化问题的新方法，如遗传算法、进化规划、进化策略等 蚁群算法是最近几年才提出的一种新型的模拟进化算法，由意大利学者等人首先提出来［ ］，他们称之为蚁群系统（ ），并用该方法求解旅行商问题（ ）［ ］、指派问题（ ）［ ， ］、 调度问题［ ， ］，取得了一系列较好的实验结果 受其影响，蚁群系统模型逐渐引起了其他研究者的注意，并用该算法来解决一些实际问题［ ， ］虽然对此方法的研究刚刚起步，但是这些初步研究已显示出蚁群算法在求解复杂优化问题（特别是离散优化问题）方面的一些优越性，证明它是一种很有发展前景的方法 鉴于目前国内尚缺乏这一方面的研究，本文对蚁群算法原理及其研究现状作一综述，希望能够对相关研究有所启发基本蚁群算法（ ）!基本蚁群算法的原理（ ）人工蚁群算法是受到人们对自然界中真实的蚁群集体行为的研究成果的启发而提出的一种基于种群的模拟进化算法，属于随机搜索算法 由意大利学者 等人首先提出［ ］ 等人首次提出该方法时，充分利用了蚁群搜索食物的过程与著名的旅行商问题（ ）之间的相似性，通过人工模拟蚂蚁搜索食物的过程（即：通过个体之间的信息交流与相互协作最终找到从蚁穴到食物源的最短路径）来求解 ，为了区别于真实蚂蚁群体系统，我们称这种算法为“人工蚁群算法”象蚂蚁这类群居昆虫，虽然单个蚂蚁的行为极其简单，但由这样的单个简单的个体所组成的蚁群群体却表现出极其复杂的行为，能够完成复杂的任务，不仅如此，蚂蚁还能够适应环境的变化，如：在蚁群运动路线上突然出现障碍物时，!基金项目：主题（ ）资助项目 收稿日期： ；收修改稿日期：第 卷第 期 年 月控制理论与应用， ，"""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""""文章编号： （ ）蚂蚁能够很快地重新找到最优路径蚁群是如何完成这些复杂的任务的呢？人们经过大量研究发现，蚂蚁个体之间是通过一种称之为外激素（）的物质进行信息传递从而能相互协作，完成复杂的任务蚁群之所以表现出复杂有序的行为，个体之间的信息交流与相互协作起着重要的作用蚂蚁在运动过程中，能够在它所经过的路径上留下该种物质，而且蚂蚁在运动过程中能够感知这种物质的存在及其强度，并以此指导自己的运动方向，蚂蚁倾向于朝着该物质强度高的方向移动因此，由大量蚂蚁组成的蚁群的集体行为便表现出一种信息正反馈现象：某一路径上走过的蚂蚁越多，则后来者选择该路径的概率就越大蚂蚁个体之间就是通过这种信息的交流达到搜索食物的目的［］!!!基本蚁群系统模型及其实现（）为了便于理解，我们以求解平面上个城市的问题（，，…，n表示城市序号）为例说明蚁群系统模型对于其它问题，可以对此模型稍作修改便可应用［］为模拟实际蚂蚁的行为，首先引进如下记号：设是蚁群中蚂蚁的数量，d ij（i，j，，…，n）表示城市和城市之间的距离，（）表示时刻位于城市的蚂蚁的个数，!（）（）表示时刻在连线上残留的信息量初始时刻，各条路径上信息量相等，设（）（为常数）蚂蚁（，，…，）在运动过程中，根据各条路径上的信息量决定转移方向，（）表示在时刻蚂蚁由位置转移到位置的概率，（）（）! "（）（），"，，{（）其中，｛，，…，｝表示蚂蚁下一步允许选择的城市与实际蚁群不同，人工蚁群系统具有记忆功能，（，，…，）用以记录蚂蚁当前所走过的城市，集合u k随着进化过程作动态调整随着时间的推移，以前留下的信息逐渐消逝，用参数表示信息消逝程度，经过个时刻，蚂蚁完成一次循环，各路径上信息量要根据下式作调整：（）·（）!，（）!!!，（）!表示第只蚂蚁在本次循环中留在路径上的信息量，!表示本次循环中路径上的信息量的增量!，若第只蚂蚁在本次循环中经过，，否则{（）其中，是常数，表示第只蚂蚁在本次循环中所走路径的长度在初始时刻，（）（），!（，，，…，），分别表示蚂蚁在运动过程中所积累的信息及启发式因子在蚂蚁选择路径中所起的不同作用表示由城市转移到城市的期望程度，可根据某种启发式算法具体确定根据具体算法的不同，（），!（）及（）的表达形式可以不同，要根据具体问题而定曾给出三种不同模型，分别称之为、、［］它们的差别在于表达式（）的不同在模型中：!，若第只蚂蚁在时刻和之间经过，，否则{（）在模型中：!，若第只蚂蚁在时刻和之间经过，，否则{（）它们的区别在于：后两种模型中，利用的是局部信息，而前者利用的是整体信息，在求解问题时，性能较好因而通常采用它作为基本模型参数，，，，可以用实验方法确定其最优组合算法的实现过程可参见文献［，］中的描述，这里省略"基本蚁群算法的优点与不足之处（）为了说明基本蚁群系统的优点与不足，文献［］给出用基本蚁群算法求解的典型实验结果，从这些结果可看出蚁群算法具有如下优点：）较强的鲁棒性：对基本蚁群算法模型稍加修改，便可以应用于其它问题；）分布式计算：蚁群算法是一种基于种群的进化算法，具有本质并行性，易于并行实现；）易于与其它方法结合：蚁群算法很容易与多种启发式算法结合，以改善算法的性能众多研究已经证明蚁群算法具有很强的发现较好解的能力，这是因为该算法不仅利用了正反馈原理，在一定程度上可以加快进化过程，而且是一种本质并行的算法，不同个体（）之间不断进行信息交流和传递，从而能够相互协作，有利于发现较好解蚁群算法可以解释为一种特殊的强化学习（：）算法［］公式（）反映了蚁群算法与学习算法之间的联系其中，相当于学习中的值，表示学习所得到的经验由某种启发式算法确定，如何将这两者结合起来，是提高蚁群算法效率的关键问题虽然蚁群算法有许多优点，但是，这种算法也存在一些缺陷，如：与其它方法相比，该算法一般需要较长的搜索时间，蚁群算法的复杂度可以反映这一点；而且该方法容易出现停滞现象（），即搜索进行到一定程度后，所有个体所发现的解完全一致，不能对解空间进一步进行搜索，不利于发现更好的解对于这两个问题，已经引起了许多研究者的注意，并提出了若干改善方法，如提出的［］，等人提出的［］#蚁群算法研究现状（）控制理论与应用卷作为一种新型的进化算法，提出不久后便引起了人们的关注，针对其不足之处，人们作了一些有效的研究，下面对此作一简述等人［，，］提出基本蚁群算法后不久，又提出一种更一般的蚁群算法，并称之为［，］在该算法中，个体I的移动规则为S=U!edr｛［AO（r，U）］［H E（r，U）］｝，g"g，依概率p I i选择S，{.（）AO值按照如下规则进行更新AO（r，S）#（-）·AO（r，S）+·（!AO（r，S）+·U!ed IAO（S，U））.（）式（），（）进一步揭示了与强化学习算法的联系文献［］研究了的性质，并研究了参数，，g对算法性能的影响实验结果表明，与基本蚁群算法相比，更具有一般性，而且更有利于全局搜索为了克服基本蚁群算法的不足，人们对其作了若干改进文献［，］提出（），其基本思想是仅让每一代中的最好个体所走路径上的信息量作调整，以加快收敛速度，这样便容易出现停滞现象，为了避免这一点，用-分支因子［］作为衡量群体多样性的一个指标，当-分支因子低于某一数值时，便对各个路径上的信息量作动态调整，以期望避免过早出现停滞现象.但是-分支因子计算起来比较复杂，而且对它的界限不容易把握，不便于应用.此外还有等提出的［］文献［］将蚁群算法与两交换方法有机结合，结果表明该方法可以大大提高基本蚁群算法的搜索效率.文献［］通过引入遗忘因子，可以做到对过去知识的慢慢遗忘，因而能够强化后来学习得到知识，不致过早出现停滞现象，有利于发现更好的解.所有这些研究，都在一定程度上提高了基本蚁群算法的效率.!自适应蚁群算法（）通过对蚁群算法的分析不难发现：蚁群算法的主要依据是信息正反馈原理和某种启发式算法的有机结合，这种算法在构造解的过程中，利用随机选择策略，这种选择策略使得进化速度较慢，正反馈原理旨在强化性能较好的解，却容易出现停滞现象这是造成蚁群算法的不足之处的根本原因因而我们从选择策略方面进行修改，我们采用确定性选择和随机选择相结合的选择策略，并且在搜索过程中动态地调整作确定性选择的概率当进化到一定代数后，进化方向已经基本确定，这时对路径上信息量作动态调整，缩小最好和最差路径上的信息量的差距，并且适当加大随机选择的概率，以利于对解空间的更完全搜索，从而可以有效地克服基本蚁群算法的两个不足我们的方法属于自适应方法此算法按照下式确定蚂蚁I由i转多到的下一城市SS=U!edI｛iU（t）iU（t）｝，r"p，依概率p I i S（t）选择S，{.（）其中，p!（，），r是（，）中均匀分布的随机数当进化方向基本确定后用简单的放大（或缩小）方法调整每一路径上的信息量对于这一算法，我们做过大量实验（由于篇幅所限，这里不给出具体实验结果，有关实验结果将另文发表）实验表明由于采用自适应选择和动态调整策略，算法的性能明显得到改善，该方法不仅能够加快收敛速度，节省搜索时间，而且能够克服停滞行为的过早出现，有利于发现更好的解这对于求解大规模优化问题是十分有利的"蚁群算法的应用（）蚁群算法已经在若干领域获得了成功的应用其中最成功的应用是在组合优化问题中的应用，其典型代表有，（），调度等文献［，，，］用蚁群算法求解问题，结果表明该方法优于其它方法文献［，］研究了指派问题的蚁群算法求解效果蚁群算法在调度问题中的应用也得到了初步研究［，］，利用的析取图模型与问题的相似性，可用蚁群算法求解调度问题，并取得了一系列较好的实验结果等［］在等人研究成果的基础上，提出了一种求解指派类型问题的一般模型，并用来研究着色问题等［］研究了求解连续空间优化问题的蚁群系统模型，并用来解决某些实际工程设计问题，但是蚁群算法在求解连续优化问题方面的优越性相对要弱一些虽然对此方法的研究刚刚起步，但是这些初步研究已显示出蚁群算法在求解算杂优化问题（特别是离散优化问题）方面的一些优越性#结论（）蚁群算法是一种新型的模拟进化算法，其研究刚刚开始，远未象，等算法那样形成系统的分析方法和坚实的数学基础，有许多问题有待进一步研究，如算法的收敛性、理论依据等但可以想象，随着研究的深入，蚁群算法也将同其它模拟进化算法一样，获得越来越多的应用参考文献（）［］，［］：［］，：，，［］，［］：（）［］：，，［］，，［］，，（）：［］，［］，，，，，［］［］：［］：，，（下转第页）期自适应蚁群算法（上接第(页）［*］A051)G，<%,1O8)*9G>@>$5L!:4@%99$*/06)5%P>%*1$)2)2/0,$134 H$13$*)*%D02>1$0*),7)2/0,$13460,-020,$*/=,0@2%4$*/,)=35［"］!"!063%>,$51$-5，"#&#，%)（"）：")+’"%&［$］G0,$/0M，M)*$%OO0Q)*9A020,*$8!8*15751%4：0=1$4$O)1$0*@7 )-020*706-00=%,)1$*/)/%*15［"］!:;;;(,)*5!0*&751%45，M)*)*9A7@%,*)1$-5，"##*，%*（"）：%&’!"［&］G0,$/0M，M)*$%OO0Q)*9A020,*$8!8*15751%4：)*)>10-)1)271$-0=1$4$O$*/=,0-%55［?］!(%-3*$-)2?%=0,1#"’)"*，+02$1%-*$-09$M$2)*0，"##"［#］R)1.$*5A!’%),*$*/H$139%2)7%9,%H),95［G］!;*/2)*9：+57-3020/7G%=),14%*1，S*$D%,5$1706A)4@,$9/%，"#&#［")］G0,$/0M)*9’>-)M!851>9706504%=,0=%,1$%506)*1JT［8］!:*：<M Q0$/1，R;@%2$*/)*9:?%-3%*@%,/，%1)2%95!+,0-!06!13:*1!A0*6!0*+),)22%2+,0@2%4&02D$*/6,04U)1>,%（++&U）［A］!E%,2$*：&=,$*/%,JQ%,2)/，"##*，*+*’**+［""］’>-)M，V)4@),9%22))*9G0,$/0M!8*1JT：)*,%$*60,-%4%*1 2%),*$*/)==,0)-31013%1,)D%2$*/5)2%54)*=,0@2%4［8］!:*：+,0-!06"%13M)-3$*%’%),*$*/A0*6!［A］!W,)*-%：M0,/)*N)>64)**，"##+，%+%’%*)［"%］(304)551X1O2%)*9<02/%,<005!M)IJ4$*)*15751%4)*920-)25%),-360,-04@$*)10,$)20=1$4$O)1$0*=,0@2%45［8］!:*：+,0-!06%*9:*1!A0*6!0*M%1)3%>,$51$-5［A］!R$%*：&=,$*/%,JQ%,2)/，"##$［"(］&1X1O2%()*9<005<!:4=,0D%4%*150*13%)*15751%4：$*1,09>-$*/4)IJ4$*)*15751%4［8］!:*：+,0-!:*1!A0*6!8,1$6$-$)2U%>,)2U%1H0,.)*9V%*%1$-82/0,$134［A］!R$%*：&=,$*/%,JQ%,2)/，"##$［"!］张纪会，徐心和!带遗忘因子的蚁群算法［"］!系统仿真学报，%)))，（%）［"+］张纪会，徐心和!具有变异特征的蚁群算法［"］!计算机研究与发展，%)))，（"）［"*］张纪会，徐心和!一种新型的模拟进化算法———蚁群算法［"］!系统工程理论与实践，"###，（(）：&!’&$本文作者简介张纪会"#*#年生!博士!主要研究方向为：离散事件动态系统，智能调度，智能计算，混合系统等!高齐圣"#**年生!博士，副教授!主要研究方向为：智能优化，智能管理等!徐心和"#!)年生!东北大学教授，博士生导师!主要研究方向为离散事件动态系统，计算机控制与仿真，混合系统等!自适应蚁群算法作者：张纪会， 高齐圣， 徐心和， ZHANG Jihui， GAO Qisheng， XU Xinhe作者单位：张纪会,徐心和,ZHANG Jihui,XU Xinhe(东北大学控制仿真中心·沈阳,110006)， 高齐圣,GAO Qisheng(青岛化工学院计算机系·青岛,266042)刊名：控制理论与应用英文刊名：CONTROL THEORY & APPLICATIONS年，卷(期)：2000,17(1)被引用次数：165次1.Colorni A;Dorigo M;Maniezzo V Distributed optimization by ant colonies 19912.Colorni A;Dorigo M;Maniezzo V An investigation of some properties of an ant algorithm 19923.Colorni A;Dorigo M;Maniezzo V Ant system for job shop scheduling 1994(01)4.Maniezzo V;Colorni A;Dorigo M The ant system applied to the quadratic assignment problem 19945.Bilchev G;Parmee I C Searching heavily contrained design spaces 19956.Costa D;Hertz A;Dubuis O Imbedding of a sequential algorithm within an evolutionary algorithm for coloring problem in graphs 1989(01)7.Dorigo M;Maniezzo V;Colorni A Ant system: optimization by a colony of cooperating agents 1996(01)8.Dorigo M;Maniezzo V;Colorni A Ant system: an autocatalytic optimizing process 19919.Watkins C Learning with delayed rewards 198910.Dorigo M;Luca M A study of some properties of ant-Q[外文会议] 199611.Luca M;Gambardella;Dorigo M Ant-Q: an reinforcement learning approach to the traveling salesman problem 199512.Thomas stützle;Holger Hoos Max-min ant system and local search for combinatorial optimization problems 199713.Stützle T;Hoos H Improvements on the ant system: introducing max-min ant system 199714.张纪会;徐心和带遗忘因子的蚁群算法 2000(02)15.张纪会;徐心和具有变异特征的蚁群算法[期刊论文]-计算机研究与发展 2000(01)16.张纪会;徐心和一种新型的模拟进化算法--蚁群算法[期刊论文]-系统工程理论与实践 1999(03)1.吴庆洪.张纪会.徐心和.WU Qing-Hong.ZHANG Ji-Hui.XU Xin-He具有变异特征的蚁群算法[期刊论文]-计算机研究与发展1999,36(10)2.吴斌.史忠植一种基于蚁群算法的TSP问题分段求解算法[期刊论文]-计算机学报2001,24(12)3.陈崚.沈洁.秦玲.陈宏建基于分布均匀度的自适应蚁群算法[期刊论文]-软件学报2003,14(8)4.王颖.谢剑英一种自适应蚁群算法及其仿真研究[期刊论文]-系统仿真学报2002,14(1)1.李静.刘学.赵健基于蚁群寻优的汽车牵引力PID控制参数整定[期刊论文]-吉林大学学报（工学版） 2008(4)2.李荣东.杨娜蚁群算法在泄水建筑物下游收缩断面水深计算中的应用[期刊论文]-黑龙江水利科技 2008(2)3.谢宏蚁群算法解决TSP问题的研究[期刊论文]-农业网络信息 2007(3)4.康一梅.杨恩博.杨鑫凯基于改进蚁群算法的火源定位策略研究[期刊论文]-计算机工程与应用 2012(2)5.桑国珍.何小虎基于自适应蚁群算法的研究[期刊论文]-科技信息 2010(10)6.韩芳.周忠勋.孙毅基于改进双种群蚁群算法的无功优化研究[期刊论文]-东北电力大学学报 2010(4)7.毛力.荚恒松.卞锋基于分类蚁群算法的彩色图像自动分类[期刊论文]-计算机工程与应用 2008(6)8.岳凤.刘希玉自适应调整挥发系数的逆向蚁群算法[期刊论文]-计算机工程与应用 2008(3)9.王艳松.陈国明.张加胜蚁群算法在油田配电网开关优化配置中的应用[期刊论文]-石油大学学报（自然科学版） 2005(2)10.詹士昌蚁群算法在连续性空间优化问题中的应用[期刊论文]-杭州师范学院学报(自然科学版) 2004(5)11.李志伟基于群集智能的蚁群优化算法研究[期刊论文]-计算机工程与设计 2003(8)12.郝晋.石立宝.周家启求解复杂TSP问题的随机扰动蚁群算法[期刊论文]-系统工程理论与实践 2002(9)13.郝晋.石立宝.周家启具有随机扰动特性的蚁群算法[期刊论文]-仪器仪表学报 2001(z1)14.海丽切木·阿布来提浅谈几种智能优化算法[期刊论文]-电脑知识与技术 2011(19)15.刘媛.韩应征蚁群算法求解优化函数[期刊论文]-中国新技术新产品 2009(12)16.李国宁.凌卫新基于模拟退火的动态蚁群算法求解TSP[期刊论文]-科学技术与工程 2009(11)17.尤晓清.邱矩平.林苗.吴桂生.马振龙仿生智能算法的比较分析[期刊论文]-福建电脑 2009(1)18.野莹莹.付丽君.程立英基于MATLAB的蚁群算法仿真研究[期刊论文]-装备制造技术 2008(11)19.于红斌.李孝安基于分区策略的蚂蚁算法[期刊论文]-微处理机 2007(3)20.陈建良.朱伟兴蚁群算法优化模糊规则[期刊论文]-计算机工程与应用 2007(5)21.杨海.王洪国.侯鲁男.孙向群混沌蚁群算法及其在智能交通中的应用[期刊论文]-成都大学学报（自然科学版） 2007(4)22.付宇.肖健梅动态自适应蚁群算法求解TSP问题[期刊论文]-计算机辅助工程 2006(4)23.詹士昌.徐婕用于多维函数优化的蚁群算法[期刊论文]-应用基础与工程科学学报 2003(3)24.李虹.孙志毅基于MATLAB的改进型基本蚁群算法[期刊论文]-太原重型机械学院学报 2003(3)25.杨欣斌.孙京诰.黄道一种进化聚类学习新方法[期刊论文]-计算机工程与应用 2003(15)26.陈昌富.谢学斌露天采矿边坡临界滑动面搜索蚁群算法研究[期刊论文]-湘潭矿业学院学报 2002(1)27.魏平.熊伟清用于一般函数优化的蚁群算法[期刊论文]-宁波大学学报(理工版) 2001(4)28.程艳燕蚁群算法基本原理及其应用综述[期刊论文]-科技创业月刊 2011(4)29.赵义飞.高锦宏.刘亚平.哈亮基于蚁群优化神经网络的故障诊断[期刊论文]-北京信息科技大学学报(自然科学版) 2010(2)30.曾强.杨育.王小磊.赵川大型工程项目任务多目标优化调度方法[期刊论文]-计算机工程与应用 2010(24)31.楼小明一种改进的自适应蚁群算法求解TSP问题[期刊论文]-黑龙江科技信息 2009(24)32.荚恒松.毛力基于群体分类的自适应蚁群算法[期刊论文]-计算机工程与设计 2007(15)33.郭立俊.余晓芬蚁群算法在系留气球PID控制中的研究与应用[期刊论文]-计量与测试技术 2007(12)34.贺建民.闵锐多Agent系统中蚁群算法的设计与实现[期刊论文]-微电子学与计算机 2006(10)35.张军英.敖磊.贾江涛.高琳求解TSP问题的改进蚁群算法[期刊论文]-西安电子科技大学学报（自然科学版）2005(5)36.詹士昌.徐婕蚁群算法在水位流量关系拟合中的应用[期刊论文]-杭州师范学院学报（自然科学版） 2005(2)37.王一清.宋爱国.黄惟一基于Bayes决策的蚁群优化算法[期刊论文]-东南大学学报（自然科学版） 2005(4)38.卢辉斌.范庆辉.贾兴伟一种改进的自适应蚁群算法[期刊论文]-计算机工程与设计 2005(11)39.林海波蚁群算法及其应用研究[学位论文]硕士 200540.孙京诰.李秋艳.杨欣斌.黄道基于蚁群算法的故障识别[期刊论文]-华东理工大学学报(自然科学版) 2004(2)41.张华.王秀坤.孙焘蚁群算法在考试安排中的应用[期刊论文]-计算机工程与设计 2003(12)42.冯佳.张晓晞蚁群算法在游园最优路径选择上的应用[期刊论文]-北京联合大学学报（自然科学版） 2010(2)43.高峰.武睿.刘南平基于自适应蚁群算法的无线传感器网络能量优化[期刊论文]-河北工业大学学报 2010(6)44.张友华.乐毅.辜丽川.王超优选参数的蚁群算法实现物流路径优化[期刊论文]-计算机技术与发展 2009(3)45.李国宁.凌卫新基于模拟退火的动态蚁群算法求解TSP[期刊论文]-科学技术与工程 2009(11)46.赵雪花.黄强.吴建华蚁群聚类在径流影响因素时间序列分析中的应用[期刊论文]-水力发电 2008(2)47.徐纪锋.张开旺.王晓原基于自适应蚁群算法的最短路径搜索方法研究[期刊论文]-中国科技信息 2008(23)48.胡宏梅.董恩清基于蚁群聚类的码书设计[期刊论文]-苏州大学学报（工科版） 2007(2)49.詹士昌.徐婕.吴俊蚁群算法中有关算法参数的最优选择[期刊论文]-科技通报 2003(5)50.李小珂.韩璞.刘丽.李志涛基于蚁群算法的PID参数寻优[期刊论文]-计算机仿真 2003(z1)51.高尚.钟娟.莫述军连续优化问题的蚁群算法研究[期刊论文]-微机发展 2003(1)52.李艳君.吴铁军连续空间优化问题的自适应蚁群系统算法[期刊论文]-模式识别与人工智能 2001(4)53.黄樟灿.吴方才.胡晓林基于信息素的整数规划的演化求解[期刊论文]-计算机应用研究 2001(7)54.韩芳.邢晓哲.方婷婷.王成儒融合鱼群和微分进化的蚁群算法的无功优化[期刊论文]-黑龙江电力 2011(2)55.郭崇慧.谷超.江贺求解旅行商问题的一种改进粒子群算法[期刊论文]-运筹与管理 2010(5)56.周燕霞.孙建伶一种基于路径权重均衡的蚁群算法[期刊论文]-工业控制计算机 2008(10)57.张统华.鹿晓阳群体智能优化算法的研究进展与展望[期刊论文]-山西建筑 2007(1)58.何定润.刘晓云.陈东义基于可穿戴计算机电源管理的蚁群算法[期刊论文]-电子科技大学学报 2007(2)59.冯登超.杨兆选.乔晓军基于改进型蚁群算法和Gauss-Markov随机场的植物病斑自适应分割[期刊论文]-沈阳农业大学学报 2007(3)60.余建军.孙树栋.褚崴.牛刚刚自适应蚁群算法及其在多约束多目标柔性Job-Shop调度中的应用[期刊论文]-数学的实践与认识 2007(17)61.蔡国伟.张言滨.孙铭泽.辛鹏.王继松基于蚁群最优算法的配电网重构[期刊论文]-东北电力大学学报 2007(4)62.邓小波.曹聪聪.龙伦海.康耀红蚁群算法搜索熵研究[期刊论文]-海南大学学报（自然科学版） 2007(4)63.吴靓.何清华.黄志雄.邹湘伏基于蚁群算法的多机器人集中协调式路径规划[期刊论文]-机器人技术与应用2006(3)64.张志民.张小娟.李明华.胡小兵一种引入奖励与惩罚机制的蚁群算法[期刊论文]-计算机仿真 2006(7)65.詹士昌.徐婕蚁群算法在马斯京根模型参数估计中的应用[期刊论文]-自然灾害学报 2005(5)66.朱树人.匡芳君.王艳华基于粒度原理的蚁群聚类算法[期刊论文]-计算机工程 2005(23)67.刘士新.宋健海.唐加福蚁群最优化--模型、算法及应用综述[期刊论文]-系统工程学报 2004(5)68.李茂军.罗安.童调生人工免疫算法及其应用研究[期刊论文]-控制理论与应用 2004(2)69.汤放奇.李茂军.罗安人工免疫算法的全局收敛性分析[期刊论文]-长沙电力学院学报(自然科学版) 2004(3)70.杨勇.宋晓峰.王建飞.胡上序蚁群算法求解连续空间优化问题[期刊论文]-控制与决策 2003(5)71.张宗永.孙静.谭家华蚁群算法的改进及其应用[期刊论文]-上海交通大学学报 2002(11)72.徐宁.李春光.张健.虞厥邦几种现代优化算法的比较研究[期刊论文]-系统工程与电子技术 2002(12)73.姜学鹏.洪贝.曹耀钦基于证据理论决策的蚁群优化算法[期刊论文]-计算机技术与发展 2009(8)74.朱百成.周绍梅.刘欣沂一种具有动态自适应特征的改进的蚁群优化策略[期刊论文]-现代计算机（专业版）2009(12)。
蚁群算法详细讲解
蚁群算法详细讲解蚁群算法（Ant Colony Optimization, ACO）是一种受到蚂蚁觅食行为启发的启发式优化算法。
它通过模拟蚂蚁在寻找食物过程中遗留下的信息以及相互之间的交流行为，来解决优化问题。
蚁群算法在组合优化问题中特别有效，如旅行商问题、车辆路径问题等。
蚂蚁在寻找食物的过程中会释放一种称为信息素的化学物质，并在路径上留下信息素的痕迹。
蚁群算法的核心思想就是利用信息素来引导蚂蚁的行动。
当蚂蚁找到食物后，会返回巢穴，并留下一条含有更多信息素的路径。
其他蚂蚁在寻找食物时，会更倾向于选择留有更多信息素的路径，从而使得这条路径的信息素浓度进一步增加。
随着时间的推移，信息素会在路径上逐渐积累，形成一条较优的路径。
蚁群算法的步骤如下：1.初始化信息素：根据问题设置信息素初始浓度，并随机分布在各个路径上。
2.蚂蚁移动：每只蚂蚁在一个时刻从起点出发，根据一定策略选择路径。
通常，蚂蚁选择路径的策略是基于信息素和启发式信息（如距离、路径通畅程度等）。
蚂蚁在移动过程中，会增加或减少路径上的信息素浓度。
3.更新信息素：当所有蚂蚁完成移动后，根据算法的更新规则，增加或减少路径上的信息素。
通常，路径上的信息素浓度会蒸发或衰减，并且蚂蚁留下的信息素会增加。
更新信息素时，通常会考虑到蚂蚁的路径质量，使得较好的路径上留下更多信息素。
4.终止条件判断：根据预设条件（如迭代次数、找到最优解等）判断是否达到算法的终止条件。
如果未达到终止条件，则返回到步骤2；否则，输出最优路径或最优解。
蚁群算法的优点包括：1.分布式计算：蚁群算法采用分布式计算方式，各个蚂蚁独立进行，在处理大规模问题时具有优势。
2.适应性：蚁群算法具有自适应性，能够根据问题的特性调整参数以及策略。
3.全局能力：蚁群算法能够在问题空间中全面，不容易陷入局部最优解。
蚁群算法的应用领域广泛，如路由优化、智能调度、图像处理等。
它在旅行商问题中经常被使用，能够找到较优的旅行路径。
一种改进的自适应蚁群聚类算法
种 自 应调整蚂 蚁运动 阈值的 方法 以简化 参数 的选取 ， 算 法 可以根 据 当前 的聚 类情 况 不 断调整 阈值 ， 适 使得 以达 到更好 的聚类 结果。 结果表明 ， 该算 法具有运行 效率 高、 数选取 简单及 自适应性 等优 点。 参
关键词 ：聚类分析 ； 蚁群 算 法 ； 蚂蚁 移动 ；自适 应 中图分类 号 ：Ｔ １ Ｐ８ 文献标 志码 ：Ａ 文章编 号 ：１０ ６ ５ ２ １ ） ４ １６ — ３ ０ １３ ９ （ ０ １ ０ —２ ３０
ｍｏｅｅｆｃｉｅａ ｄ ｔｅａ ｔ ｃｕｄｑ ｉｋｙｆ ｄｔｅｓｉ ｂｅｐ ｓ ｉｎ ｒ ｆ ｔ ｎ ｈ ｎｓ ｏ ｌ ｕｃ ｌ ｉ ｕｔ ｌ ｏｉｏ ．Ｍｏｅ ｖ ｒ ｅｅ ｔｄａｍｅｈ ｄｔ ｅｆａ ａ ｔ ｅｙａ ｉｓ ｔｅ ｅ ｖ ｎ ｈ ａ ｔ ｒｏ ｅ ，ｒｓｎｅ ｔｏ ｓｌ ｄ ｐｉ ｌ ｄｕ ｔ ｈ ｏ － ｖ
第２ ８卷 第 ４期
２１ ０ １年 ４ 月
计 算 机 应 用 研 究
Ａｐ ｌ ａ ｉｎ Ｒｅ ｅ ｒ ｈ ｏ ｏ ｕ ｅ ｓ ｐ ｉ ｔ ｓ ａ ｃ ｆ Ｃ ｍｐ ｔｒ ｃ ｏ
Ｖｏ ． Ｎｏ ４ １ ２８ ．
Ａｐ ． ２ １ ｒ ０ Ｉ
一
种 改进 的 自适 应 蚁 群 聚 类 算 法
ｕ ｕｄ ｅａ ｔ Ｓ ｏ ｅ ｅ ｔ ｏｒａｈ ｔｅｇｉｓ ｎ ｌ ｉ ｏ ａ ｂｅ ｔ ｎｔｉ ｗ ｙ ｔｅａ ｔ Ｓ ｏ ｅ ｅ ｔ ａ ｕ ｈ ｐｔ ｇ ｉｅ ｈ ｎ ’ ｖ ｍ ｎ ｔ ｅ ｃ ｈ ｒ ｃ ｄｎ ｍ ｒ ｄ ｔ ｏ ｊ ｓ ｓ ａ ． ｈ ｎ ’ ｖ ｍ ｎ ｓ ｃ ｏ ｔ ｍ ｄ ｉ ｕ ｇ ｅ ａ ｃ ．Ｉ ｈ ｍ ｗ ｍ
ｔａ ｈ ｒ ｐ ｓ ｄ ａ ｇ ｒｔｍ ａ ｉｈ ｅｆ ｉｎ ｙ ｉ ｌ ａ ａ ｔ ｒ ｎ ｄ ｐｉ ｉ ． ｈ ｔ ｅ ｐ ｏ ｏ ｅ ｌ ｏｉ ｔ ｈ ｈ ｓｈ ｇ ｆ ｃｅ ｃ ，ｓｍｐ ｅ ｐ ｒ ｍｅｅ ｓａ ｄ ａ ａ ｔ ｔ ｉ ｖｙ
改进蚁群算法及其仿真
，
（） ＝ ｆ １
（） ２
式 中 表示相邻两城市之间的距 离。 ｄ 对蚂蚁 ｋ而言 ， ｄ 越小 ，
则 ’ （） ７ ｔ 越大 ， ｔ 也越大 。 Ｐ （）
随着 时间的推移 ， 以前 留下 的信息 逐渐 消逝 ， Ｐ表示信 息 素挥发度， 经过个 ｎ时刻 所有蚂蚁完成 一次循环 ， 各路径 上的
信 息量要根据下式进行更新 ： ｒ（ ＋ ） ＝ （ ｎ １一Ｐ （）＋△ （） ） ｔ ｔ
日经验窒鎏旦
ｄｉ１ ．９９ ｊｉ ｎ １７ —１４ ．０ ０ ０ ．３ ｏ：０ ３６ ／．ｓ ．６ １ ０ １２ １ ． ００ ｓ ４
改进 蚁群 算 法及 其仿 真
田 婧 ， 建 平 ， 一 方 孙 苑
（ 华北 电力大 学 自动化 系 ， 定 ０ １０ ） 保 ７ ０ ３
摘要： 蚁群算法是近几年优化领域 中出现的一种启 发式仿生类并行 智 能进化算法 。 该算法采用分布式并行计算和正反馈机 制， 易于与其他 方 法结合。本文提 出了一种改进型的蚁群算法 ， 了搜索方 向。 引入 并对信 息素的更新方式进行 了改进。仿真实验证明 。 改进后 的蚁群算 法能够 获得较好的控制效 果。 关键词 ：蚁群算法 ； 信息素 ；搜索方 向 中 图分 类 号 ： Ｐ ７ 文献 标 识 码 ： Ｔ ２３ Ｂ
型 中
△（ ： 若 蚂 在 次 环 经 （） ｒ￡ 』 第 只 蚁 本 循 中 过 ， ） ， Ｊ
Ｌ 。 则 ０否
（） ５
度 问题等 ， 并取得 了一 系列较 好 的实验结 果 。蚁群算 法是 一 种基于种群 的启 发式仿 生类并 行智 能进化 算法 ， 由于它采 用 分布式并行计算机制 ， 于与其他方 法结 合 ， 易 具有较强 的鲁棒 性， 而它 的正反馈过程能够帮助更快的发现较好 的解 。 虽然蚁群算法 能够解 决组 合优化 问题 ， 也容易 出现 搜 但
基于蚁群优化的自组网路由算法的研究与仿真
摘要路由算法是支撑网络传输的关键技术，将随着网络新技术的出现而发展。
无线移动自组网是一种具有临时快速自动组网能力的新型网络，这种网络不存在固定基础设施，拓扑结构变化频繁，节点可作为路由转发节点，因此，开发一种较好的动态路由协议将成为Ad Hoc网络设计的关键。
目前，Ad Hoc网络路由协议可分为表驱动路由、按需路由以及二者相结合的路由协议。
本文首先对Ad Hoc网络进行了概述，总结了该网络目前研究的重点和难点，引入了本课题——路由算法的设计，并对比较常用的现存路由协议进行了讨论和分析，给出了Ad Hoc网络路由协议的分类，并阐述了现有路由算法的基本原理，分析了其工作性能并做出总结。
接着，通过对蚁群算法的基本原理和基本数学模型进行深入的分析，提出了一种基于蚁群算法的自组网路由协议。
由于蚁群优化算法是一种通用的分布式随机优化方法，并广泛应用于网络的路由算法中，因此，该路由协议结合蚁群算法的原理，首次提出了蚂蚁释放有效信息素的比率，而且根据多代理机制，引入了服务代理来减少蚂蚁代理的开销。
此算法是一种混合式路由算法，将按需建立路由和主动对路由进行维护和探索结合起来。
最后，在网络仿真平台NS-2上进行了算法的仿真实现，并与现有典型协议在不同的实验场景下进行了性能分析比较，包括数据包的平均端到端的延迟、数据包的传输率、网络的吞吐率以及路由开销。
仿真结果表明所提出的基于蚂蚁算法的移动自组网路由算法具有良好的性能，大大提高了系统的可靠性，鲁棒性，和增强通信网络的自适应能力，并对今后的研究方向和内容进行了探讨。
关键词：移动自组网；路由；蚁群优化；代理；NS2- I -AbstractRouting algorithm is a pivotal technology that underpins the network transmission, will develop with the appearance of the new network. Mobile Ad Hoc Networks is a new kind of wireless networks that it can self-organize and self-configured. In this kind of networks, it doesn’t require fixed infrastructure, the network topology constantly changes and all the mobile nodes are equal that could be a routing node transmit messages. Therefore, design a new dynamic routing protocol is important for Ad Hoc network. At present, the Ad Hoc network routing protocols can be divided into table-driven routing, on-demand routing and the hybrid of the two routing protocol.Firstly, this paper describes the mobile Ad Hoc networks synoptically, sums up the present focus of the study and difficult of networks, and then introduces this paper’s topic - routing algorithm design, discusses and analyses these existing routing protocol, and then suggests the classification of Ad Hoc networks routing agreement, elaborate the theory of routing algorithm on hand, analyzes its working ability and summarize it.Secondly, through deep research the ant algorithm principles and its basic mathematical models, an ad hoc network routing algorithm based on ACO is proposed. Since ACO is a general distributed random optimization method and has already been widely applied to the networks routing algorithm, this routing algorithm based on ACO principle, available pheromone released by ant agent is proposed, and according to multi-agent mechanism, introduces the service agents to reduce the expense of ant agents. This algorithm is a hybrid algorithm that combines reactive path setup with proactive path probe and maintain.Finally, the new algorithm is simulation realized on network simulation platform NS-2, and compared with existing typical protocols under different experiment scenes. Including packets average end-to-end delay, packet delivery ratio, networks throughput and routing overhead. The simulation results show that routing algorithm based on ACO for mobile Ad Hoc network has better performance than others. In the end, this paper provides the future works.Keywords：Mobile Ad Hoc networks; routing; ACO; agent; Network Simulator Version-2- II -目录摘要 (I)Abstract ......................................................................................................................... I I 目录 ..................................................................................................................... I II 第1章前言 (1)1.1研究背景 (1)1.1.1 无线移动自组网 (1)1.1.2 实现网络的关键技术 (2)1.2 研究现状 (4)1.3 研究的内容及主要目标 (5)1.4 论文的组织结构 (6)第2章无线自组网路由协议 (7)2.1 Ad Hoc网路由协议概述 (7)2.1.1 Ad Hoc路由协议面临的问题 (7)2.1.2 Ad Hoc网路由协议的设计 (8)2.2 无线Ad Hoc网络路由分类 (9)2.2.1 表驱动路由协议（Table Driven Routing Protocols） (10)2.2.2 按需路由协议（On Demand Routing Protocols） (12)2.2.3 混合路由协议（Hybrid Routing Protocols） (16)2.3 各种路由协议的比较 (17)2.4 本章小结 (18)第3章蚁群算法 (19)3.1蚂蚁算法原理 (19)3.2 蚁群算法的研究进展及特征 (22)3.2.1 蚁群算法的研究进展 (22)3.2.2 蚁群算法的主要特征 (22)3.3蚁群算法的数学模型 (23)3.4 蚁群算法在通信中的研究 (26)3.5本章小结 (28)第4章基于蚁群优化的自组网路由算法 (29)4.1 基于蚁群算法的自组网路由协议发展现状 (29)- III -4.1.1 设计思路 (29)4.1.2 发展现状 (30)4.2算法介绍及相关概念 (32)4.2.1移动agent (32)4.2.2 路由的切换 (33)4.3算法设计 (34)4.3.1 路由的建立 (34)4.3.2路由的维护与探索 (37)4.3.3链路中断与修复 (38)4.4 算法中的主要数据结构 (39)4.5本章小结 (41)第5章路由协议及仿真 (42)5.1网络协议仿真工具NS2 (42)5.1.1 NS2简介 (42)5.1.2仿真过程 (43)5.1.3建立新协议 (44)5.1.4 无线移动模型 (44)5.2仿真程序的设计 (46)5.2.1 仿真环境 (46)5.2.2 定义网络参数 (46)5.2.3仿真场景的配置 (47)5.3 仿真结果及其分析 (48)5.3.1 模拟结果动态显示 (48)5.3.2 性能衡量指标 (51)5.3.3 性能分析 (52)5.4 本章小结 (57)结论 (58)致谢 (60)参考文献 (61)- IV -- 1 -第1章 前 言1.1 研究背景1.1.1 无线移动自组网由于有线通信方式对应用范围的限制，人们发明了无线移动通信。
基于自适应蚁群算法的研究及应用
基于自适应蚁群算法的研究及应用[摘要]本文对标准蚁群算法、自适应蚁群算法做了较详细系统的总结,其中主要讨论了自适应蚁群算法在DNA序列比对中的应用,并以实例说明改进的蚁群算法具有比传统蚁群算法更强的搜索全局最优解的能力。
[关键词]标准蚁群算法;自适应蚁群算法;最佳路径;DNA序列比对一、引言在二十世纪九十年代初期,M.Dorigo等人根据蚂蚁觅食的规律首先提出了一种新的启发式优化算法,叫蚁群系统,这种算法在求解复杂优化问题方面具有很大的优越性和广阔的前景。
但是,根据观察实验发现,蚁群中的多个蚂蚁的运动是随机的,在扩散范围较大时,在较短时间内很难找出一条较好的路径,在算法实现的过程中容易出现停滞现象和收敛速度慢现象。
为了解决此种弊端,本文提出了一种自适应蚁群算法,通过自适应地调整运行过程中的挥发因子来改变路径中信息素浓度,从而有效地克服传统蚁群算法中容易陷入局部最优解和收敛速度慢的现象。
二、标准蚁群算法2.1 蚁群算法原理蚁群算法是受到人们对自然界中真实的蚁群集体行为的研究成果的启发而提的,是一种基于种群的模拟进化算法,属于随机搜索算法。
蚂蚁这类群居昆虫,虽然单个蚂蚁的行为极简单,但由这样的单个简单的个体所组成的蚁群群体却表现出极其复杂的行为,能够完成复杂的任务,而且蚂蚁还能够适应环境的变化,比如在蚁群运动路线上突然出现障碍物时,蚂蚁能够很快地重新找到最优路径。
因此,由大量蚂蚁组成的蚁群的集体行为便表现出一种信息正反馈现象:某一路径上走过的蚂蚁越多,则后来者选择该路径的概率就越大。
蚂蚁个体之间就是通过这种信息的交流达到搜索食物的目的。
2.2 标准蚁群算法存在的问题(1)需要较长的计算时间,容易出现停滞现象。
(2)所有通过路段的搜索路径对应的候选解均会对该路段带来信息素的增量。
(3)采用信息素均匀分配策略,即对已搜索路径中的所有路段采用同样的信息素增量,与路段的重要性无关,没有考虑当连续空间优化问题转换到有向图搜索问题时,信息素分配给可行解带来的尺度变化对于连续解空间搜索效率的影响。
一种基于云模型的自适应蚁群算法
一种基于云模型的自适应蚁群算法李絮;郭英;刘争艳【摘要】针对蚁群算法在解决大规模优化问题中易陷入局部最优及收敛速度慢等缺陷，提出了一种基于云模型的自适应蚁群算法。
通过对信息素分布状况进行评价，自适应地调整云模型中各参数，并根据云模型参数，确定全局最优及次优路径，进行全局信息素更新，以改善算法的全局搜索能力。
同时，为了避免算法陷入停滞，将信息素大小限制在一个最大最小区间。
仿真实验结果验证了提出的算法的高效性和稳定性。
%Ant colony algorithm is easy to fall in local best, and its convergent speed is slow in solving large-scale optimiza-tion problems. In this paper, a self-adaptive ant colony algorithm based on cloud model is proposed. Through the evaluation of pher-omone distribution, the parameters of the cloud model are adjusted adaptively. According to the parameters, the global optimal and suboptimal paths are determined, and the global pheromone is updated to improve the global search ability of the algorithm. Mean-while, in order to avoid stagnation, the range of pheromone is limited to a maximum-minimum interval. Simulation results validate the efficiency and stability of the proposed algorithm.【期刊名称】《阜阳师范学院学报（自然科学版）》【年(卷),期】2015(000)002【总页数】5页(P87-91)【关键词】蚁群算法;云模型;信息素;旅行商问题【作者】李絮;郭英;刘争艳【作者单位】阜阳师范学院计算机与信息工程学院，安徽阜阳 236041;阜阳师范学院计算机与信息工程学院，安徽阜阳 236041;阜阳师范学院计算机与信息工程学院，安徽阜阳 236041【正文语种】中文【中图分类】TP301蚁群算法(Ant Colony Algorithm，ACA)是受自然界中蚂蚁觅食行为启发，由意大利学者Marco Dorigo 等人提出的一种仿生智能优化算法，已被广泛应用到路径规划、车辆调度、旅行商问题( TSP)等一系列组合优化问题中[1-3]。
一类改进的自适应蚁群算法
一类改进的自适应蚁群算法赵运红【期刊名称】《桂林师范高等专科学校学报》【年(卷),期】2011(025)004【摘要】从系统学的角度分析了蚁群算法的分布武计算、自组织和正反馈等的系统特征．给出了改进的蚁群算法详细分析和分类，通过TSP问题应用TSP-Ei151在MATLAB7．6中进行了仿真实验．实验结果证明改进的算法在迭代次数、牧敛性和全局性上优于基本蚁群算法．%The paper discusses the basic principles and mechanisms of ant colony algorithm, and analyzes such characteristics as distributed computing, self-organizing systems and positive feedback of the ant colony algo- rithm from the system point of view. Improved ant colony algorithm is analyzed and classified in detail~ it has been verified by TSP-EilS1 in MATLAB 7.6. This algorithm proved superior to AS in number of itera- tions, convergence and global.【总页数】3页(P179-181)【作者】赵运红【作者单位】荆楚理工学院计算机工程学院．湖北粥门448000【正文语种】中文【中图分类】TP311【相关文献】1.基于改进蚁群算法的一类运输能力约束的生产-运输批量问题求解 [J], 李英俊;陈志祥2.一类求解作业车间调度问题的动态平衡自适应蚁群算法 [J], 王艳红;王文霞;于洪霞;陈丽3.一类自适应蚁群算法的收敛性分析 [J], 刘立东;蔡淮;赵旭4.一类自适应蚁群算法的收敛性分析 [J], 刘立东;蔡淮;赵旭5.一类自适应蚁群算法及其收敛性分析 [J], 冯远静;冯祖仁;彭勤科因版权原因，仅展示原文概要，查看原文内容请购买。
一种蚁群算法与自适应机制的路径规划算法优化
一种蚁群算法与自适应机制的路径规划算法优化
李奇才;舒远仲;洪宇轩
【期刊名称】《机械科学与技术》
【年(卷),期】2022(41)7
【摘要】针对目前移动机器人的路径规划问题,提出一种新的自适应机制建立信息素更新策略,通过增加自适应阈值以及优化蚁群算法生成的路径,使得生成的路径符合真实运动轨迹,提高移动机器人在行走过程中对未知环境的适应性和高效性。
首先建立栅格地图和输入初始信息素和设置算法参数,将蚂蚁置于起点并计算当前状态转移概率。
然后将获取到的当前自适应阈值与状态转移概率进行比较,根据比较结果选择蚂蚁行走的下一节点,更新路径直到蚂蚁到达终点,直到这一代M只蚂蚁全部遍历。
最后动态更新信息启发因子α、期望启发因子β和信息素,重复步骤直到迭代完成,对生成的路径进行优化处理并输出最优路径。
实验和应用表明,该方法解决了移动机器人在路径规划开始时缺乏信息素的问题,加快收敛速度,更符合移动机器人行进的运动轨迹,适用于未知动态环境中移动机器人的路径规划。
【总页数】7页(P1095-1101)
【作者】李奇才;舒远仲;洪宇轩
【作者单位】南昌航空大学信息工程学院
【正文语种】中文
【中图分类】TP24
【相关文献】
1.一种引入信息素上下界自适应机制的蚁群算法
2.自适应蚁群算法优化红外图像分割
3.果蝇算法与改进蚁群算法优化模糊集的自适应图像增强
4.蚁群算法优化和路径规划问题的应用研究
5.自适应导向蚁群算法优化移动机器人路径规划
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
一种自适应蚁群算法及其仿真研究作者：王颖， 谢剑英作者单位：上海交通大学自动化研究所,上海,200030刊名：系统仿真学报英文刊名：JOURNAL OF SYSTEM SIMULATION年，卷(期)：2002,14(1)被引用次数：191次1.Dorigo M;Maniezzo Vittorio;Colorni Alberto The Ant System: Optimization by a colony of cooperating agents 1996(01)2.Dorigo M;Gambardella L M Ant Colony System: A Cooperative Learning Approach to the Traveling Salesman Problem[外文期刊] 1997(01)3.Schoonderwoerd R;Holland O;Bruten J;Rothkrantz L Ant-based Load Balancing in Telecommunications Networks 1997(02)1.陈崚.沈洁.秦玲.陈宏建基于分布均匀度的自适应蚁群算法[期刊论文]-软件学报2003,14(8)2.张纪会.高齐圣.徐心和.ZHANG Jihui.GAO Qisheng.XU Xinhe自适应蚁群算法[期刊论文]-控制理论与应用2000,17(1)1.颜晨阳前馈神经网络连续二元蚁群训练模型[期刊论文]-软件导刊 2011(6)2.马军.王岩改进的蚁群算法求解旅行Agent问题[期刊论文]-计算机工程与应用 2010(11)3.楼小明一种改进的自适应蚁群算法求解TSP问题[期刊论文]-黑龙江科技信息 2009(24)4.闵亨峰供应链节点间配送线路规划蚁群算法[期刊论文]-天津科技大学学报 2006(3)5.卢正鼎.刘会明基于蚁群算法的理性自适应路由研究[期刊论文]-计算机工程与科学 2006(12)6.方崇.黄伟军南宁市内河水质的投影寻踪回归分析[期刊论文]-人民长江 2010(8)7.唐连生.程文明.梁剑.张则强基于行程时间可靠性的车辆路径问题研究[期刊论文]-统计与决策 2008(10)8.刘学辉P2P网络架构下蚁群算法的应用研究[期刊论文]-无线电通信技术 2007(3)9.许鹏动态车间调度算法[期刊论文]-航空制造技术 2007(z1)10.李卓君改进的蚁群算法在VRP中的应用研究[期刊论文]-武汉商业服务学院学报 2006(1)11.李少辉.刘弘.王静莲蚁群算法在P2P网络架构下的Web服务中的应用[期刊论文]-计算机工程与应用 2006(20)12.梁栋.霍红卫自适应蚁群算法在序列比对中的应用[期刊论文]-计算机仿真 2005(1)13.许志红.张培铭基于蚁群算法的智能交流接触器优化设计[期刊论文]-电工电能新技术 2005(3)14.刘鹏.姜伟.刘新妹.殷俊龄基于蚂蚁算法的PCB板路径优化研究[期刊论文]-电子世界 2012(2)15.徐滨.张亦改进的蚂蚁算法车辆运行调度算法研究[期刊论文]-计算机仿真 2011(10)16.陆克芬.方崇.张春乐基于人工鱼群算法的投影寻踪评价方法研究[期刊论文]-安徽农业科学 2009(23)17.付永强.王启志一种快速收敛的蚁群算法[期刊论文]-福建电脑 2009(9)18.方崇.李慧颋PMA-PP分析模型在内河水质科学评价中的应用[期刊论文]-地球与环境 2009(4)19.马洪伟.赵志刚.吕慧显.李京基于蚁群聚类和裁剪方法的RBF神经网络优化算法[期刊论文]-青岛大学学报（工程技术版） 2008(3)20.劳眷.韦文代.伍超奎蚁群算法求解旅行商问题若干改进策略的研究[期刊论文]-广西大学学报（自然科学版）2008(z1)21.陈杰.张洪伟基于自适应蚁群算法的QoS组播路由算法[期刊论文]-计算机工程 2008(13)22.于永彪蚁群优化算法基本原理及研究进展[期刊论文]-山西建筑 2007(14)23.武晶杰.潘丽君.张峰刚虚拟战场环境中武装直升机航路规划算法研究[期刊论文]-系统仿真学报 2006(z2)24.王艳松.陈国明.张加胜蚁群算法在油田配电网开关优化配置中的应用[期刊论文]-石油大学学报（自然科学版） 2005(2)25.朱绍伟.徐夫田.滕兆明一种改进蚁群算法求解最短路径的应用[期刊论文]-计算机技术与发展 2011(7)26.王秀芳.句莉莉.陈超.魏春明基于蚁群优化Elman神经网络的传感器补偿[期刊论文]-化工自动化及仪表2011(2)27.刘卫东.刘顺成.杨萍.贾凯基于蚁群算法和禁忌搜索的部队机动路径选择[期刊论文]-火力与指挥控制 2009(6)28.晏斌.郭方方基于蚁群算法的多Agent任务分配[期刊论文]-成组技术与生产现代化 2009(4)29.王琛基于蚁群算法的Traveling Salesman Problem研究[期刊论文]-山西师范大学学报（自然科学版）2008(4)30.张俊良.薛振兴烟草配送体系建立的关键元分析[期刊论文]-商场现代化 2008(36)31.肖本贤.刘刚.余雷.余炎峰.陈昊基于MMAS的机器人路径规划[期刊论文]-合肥工业大学学报（自然科学版）2008(1)32.崔利.WANG Gao-ping基于TSP的蚁群算法及其在路由中的应用[期刊论文]-中国西部科技 2008(21)33.刘卫东.刘顺成.杨萍.贾凯基于蚁群算法和禁忌搜索的部队机动路径选择[期刊论文]-系统工程与电子技术2008(8)34.李澄非.朱群雄基于蚁群算法的混合优化算法在TSP中的应用[期刊论文]-青岛大学学报（自然科学版）2007(1)35.柯文德.李家兰蚁群算法及其在TSP中的应用[期刊论文]-茂名学院学报 2007(1)36.刘立东.蔡淮自适应调整α,β参数的蚁群算法[期刊论文]-计算机工程与设计 2007(20)37.朱树人.匡芳君.王艳华基于粒度原理的蚁群聚类算法[期刊论文]-计算机工程 2005(23)38.基本蚂蚁算法中参数的讨论与改进[期刊论文]-计算机工程 2005(20)39.吴建军.刘军物流配送路径安排问题的混合蚁群算法[期刊论文]-土木工程学报 2004(8)40.石为人.余兵.张星单机作业下的提前/脱期问题的蚁群调度优化算法[期刊论文]-仪器仪表学报 2003(z2)41.孙晓莹.徐红霞基于蚁群算法的煤矿运输车辆调度应用研究[期刊论文]-煤炭技术 2012(7)42.孙改平.刘春梅基于信息素改进的蚁群算法[期刊论文]-华北科技学院学报 2010(1)43.吴小菁基于挥发系数的自适应蚁群算法[期刊论文]-福建金融管理干部学院学报 2010(1)44.孙改平.郭海文信息素动态更新的改进蚁群算法[期刊论文]-福建电脑 2010(1)45.王锋基于蛋白质二维HP晶格模型的ACO算法研究[期刊论文]-电脑知识与技术 2010(35)46.范静体能测试问题的改进蚁群算法[期刊论文]-上海第二工业大学学报 2009(2)47.王振华.章卫国.李广文基于改进多目标蚁群算法的无人机路径规划[期刊论文]-计算机应用研究 2009(6)48.吕雄伟.赵达.李军基于多态蚁群算法的多目标邮政物流车辆路径问题研究[期刊论文]-计算机应用研究49.张千.梁鸿.李振基于改进蚂蚁算法的网格资源管理的研究[期刊论文]-微电子学与计算机 2009(9)50.张成.贾素玲.魏法杰一种带有竞争机制的混合蚁群算法[期刊论文]-计算机工程与应用 2008(26)51.庞留勇.张秀全物流配送车辆调度问题的改进遗传算法[期刊论文]-天中学刊 2008(2)52.胡国强.贺仁睦基于自适应蚁群算法的水电站水库优化调度[期刊论文]-中国电力 2007(7)53.苏畅.徒君一种自适应最大最小蚁群算法[期刊论文]-模式识别与人工智能 2007(5)54.朱益江自适应蚁群算法在流水车间调度问题上的应用[期刊论文]-连云港职业技术学院学报 2007(4)55.朱益江自适应蚁群算法在Flow Shop调度问题上的应用研究[期刊论文]-常州工学院学报 2007(6)56.武方方.赵银亮一种基于蚁群聚类的径向基神经网络[期刊论文]-西安交通大学学报 2006(4)57.孔凡国.黄伟Job Shop调度问题自适应蚁群算法的研究[期刊论文]-新技术新工艺 2006(5)58.楚瑞.周德云.马云红一种新型启发式搜索算法研究[期刊论文]-弹箭与制导学报 2006(2)59.叶文.范洪达基于改进蚁群算法的飞机低空突防航路规划[期刊论文]-飞行力学 2004(3)60.许毅.张佳珂能量有效的无线传感器网络蚁群路由协议[期刊论文]-微计算机信息 2010(28)61.雷良金.王长龙.孙世宇.王建斌基于蚁群算法的径向基网络漏磁信号二维反演[期刊论文]-火力与指挥控制2011(3)62.蒲兴成.孙凯一种改进的自适应蚁群算法及其应用研究[期刊论文]-重庆邮电大学学报（自然科学版） 2011(3)63.李志农.唐高松.肖尧先.邬冠华基于自适应蚁群优化的Volterra核辨识算法研究[期刊论文]-振动与冲击2011(10)64.张春乐.方崇.黄伟军基于人口迁移算法湖泊富营养化评价的投影寻踪回归分析[期刊论文]-湖北农业科学2010(10)65.任平杰.梁伟平基于蚁群算法的自动配煤系统的设计[期刊论文]-仪器仪表用户 2009(5)66.朱百成.周绍梅.刘欣沂一种具有动态自适应特征的改进的蚁群优化策略[期刊论文]-现代计算机（专业版）2009(12)67.黄立君.许永花遗传算法和蚁群算法融合求解TSP[期刊论文]-东北农业大学学报 2008(4)68.田伟.张安改进蚁群算法的无人机航路规划[期刊论文]-火力与指挥控制 2008(11)69.徐纪锋.张开旺.王晓原基于自适应蚁群算法的最短路径搜索方法研究[期刊论文]-中国科技信息 2008(23)70.葛小三.边馥苓蚁群算法求解三维表面路径方法的研究[期刊论文]-武汉大学学报（信息科学版） 2007(4)71.韩静.李军基于改进蚁群算法的物流配送路径优化问题研究[期刊论文]-中国水运（学术版） 2007(12)72.边泽强.孟晓风.陈粤基于多色蚁群的柔性测试系统测试资源匹配[期刊论文]-测试技术学报 2007(6)73.邓江沙.姚刚改进的蚁群算法在求解旅行Agent问题中的应用[期刊论文]-计算机技术与发展 2006(7)74.楚瑞基于蚁群算法的无人机航路规划[学位论文]硕士 200675.胡小兵.黄席樾基于混合行为蚁群算法的研究[期刊论文]-控制与决策 2005(1)76.叶文.马登武.范洪达基于改进蚁群算法的飞机低空突防航路规划[期刊论文]-中国航空学报（英文版）2005(4)77.卢辉斌.范庆辉.贾兴伟一种改进的自适应蚁群算法[期刊论文]-计算机工程与设计 2005(11)78.张国钢.耿英三.王建华基于蚁群并行算法的电气接线路径优化及仿真[期刊论文]-系统仿真学报 2003(8)79.娄渊胜.陶振宏Web服务组合QoS全局优化算法[期刊论文]-计算机工程与应用 2011(8)80.韦联旺.段复建带参数信息素的蚁群算法[期刊论文]-桂林电子科技大学学报 2011(2)82.郑向瑜.彭勇求解旅行Agent问题的自适应蚁群算法[期刊论文]-计算机工程与应用 2010(16)83.方崇.成艳荣.代志宏.张信贵基于蚁群算法岩体可爆性分级的投影寻踪回归方法[期刊论文]-工程爆破 2010(1)84.杨云.刘军.周坚.陆璐.陶笔蕾.刘凤玉一种基于Agent的分布式QoS多播路由算法[期刊论文]-计算机应用与软件 2009(2)85.侯亚林.张秀全.张振坤一种改进的车辆调度问题的遗传算法[期刊论文]-河南大学学报（自然科学版）2009(2)86.周永生.韦结余基于蚁群算法的出租车零空载问题探讨[期刊论文]-城市发展研究 2009(9)87.李增明.吕勇哉.陈玉旺.孙凯自适应蚁群算法求解车间作业调度问题[期刊论文]-船舶工程 2008(z1)88.李玲娟.史祥宁.王汝传一种基于改进蚂蚁算法的网格任务调度策略[期刊论文]-南京邮电大学学报（自然科学版） 2008(3)89.黄文霞.罗浩.马占卿基于改进型蚁群神经网络的ECG心搏分类器[期刊论文]-信阳师范学院学报（自然科学版） 2008(4)90.唐连生.程文明.张则强.钟斌基于改进蚁群算法的车辆路径仿真研究[期刊论文]-计算机仿真 2007(4)91.付宇.肖健梅动态自适应蚁群算法求解TSP问题[期刊论文]-计算机辅助工程 2006(4)92.杜荣华.姚刚.吴泉源一种基于蚁群优化算法的旅行Agent问题求解[期刊论文]-计算机科学 2006(6)93.吴洁明.李余琪.万励复杂路网条件下的物流配送方案研究[期刊论文]-微电子学与计算机 2011(7)94.苏维嘉.闫石磊基于改进蚁群算法的移动机器人路径规划[期刊论文]-世界科技研究与发展 2009(5)95.徐红梅.陈义保.刘加光.王燕涛蚁群算法中参数设置的研究[期刊论文]-山东理工大学学报（自然科学版）2008(1)96.HU Cun-gang.王群京.李国丽.XIA Qiu-shi一种新的SHEPWM三电平逆变系统的仿真和实验研究[期刊论文]-系统仿真学报 2008(16)97.SUN Tao.谢晓方.QIAO Yong-jun基于二维自由空间蚁群算法的反舰导弹航路规划仿真[期刊论文]-系统仿真学报 2008(13)98.杜荣华.姚刚.吴泉源蚁群算法在移动Agent迁移中的应用研究[期刊论文]-计算机研究与发展 2007(2)99.颜晨阳.熊伟清.张友鹏基于交通流量控制的二元蚁群优化模型[期刊论文]-系统仿真学报 2007(10)100.李栋.曹义华.苏媛.冯婷基于改进蚁群算法的低空突防航迹规划[期刊论文]-北京航空航天大学学报 2006(3) 101.傅白白抽象记忆时间的无记忆性及其在真随机模拟中的应用[期刊论文]-系统工程 2005(9)102.丁海军.陈佑健蚁群算法的现状与研究进展[期刊论文]-河海大学常州分校学报 2005(1)103.彭沛夫.张桂芳遗传融合蚁群算法的改进与仿真[期刊论文]-计算机工程与应用 2010(4)104.苏盛曲.梁声灼蚁群算法的并行性研究[期刊论文]-计算机与现代化 2009(10)105.刘延明.方崇.陆克芬.周欢蚁群投影寻踪回归在农田灌溉水质评价中的应用[期刊论文]-贵州农业科学2009(9)106.孙泽宇.邢萧飞求解自适应组合优化蚁群算法的研究[期刊论文]-计算机工程与应用 2009(35)107.段海滨.王道波.于秀芬基于改进蚁群算法的飞行仿真转台的控制优化[期刊论文]-中国空间科学技术 2007(4) 108.彭沛夫.林亚平.胡斌.张桂芳基于遗传因子的自适应蚁群算法最优PID控制[期刊论文]-电子学报 2006(6) 109.冯远静.冯祖仁.彭勤科一类自适应蚁群算法及其收敛性分析[期刊论文]-控制理论与应用 2005(5)110.闻育复杂多阶段动态决策的蚁群优化方法及其在交通系统控制中的应用[学位论文]博士 2004112.方崇.张春乐基于模拟退火算法对灌溉用地下水水质评价的投影寻踪分析[期刊论文]-江苏农业科学 2010(3) 113.施宏伟.王发年基于聚类的物流节点模型及其自适应蚁群算法[期刊论文]-工业工程与管理 2010(4)114.肖宏峰.谭冠政遗传算法在蚁群算法中的融合研究[期刊论文]-小型微型计算机系统 2009(3)115.李志宇.史浩山基于最小Steiner树的无线传感器网络数据融合算法[期刊论文]-西北工业大学学报 2009(4) 116.陆克芬.刘延明.方崇基于人工鱼群算法的农田灌溉水质评价投影寻踪分析[期刊论文]-安徽农业科学2009(28)117.方崇.吕海波.杨军平高速公路路基膨胀土分类的投影寻踪方法[期刊论文]-公路与汽运 2009(6)118.余剑峰.李原.于海山.沈琴基于自适应蚁群算法的协同制造项目资源优化配置[期刊论文]-计算机集成制造系统 2008(3)119.谢民.高利新蚁群算法在最优路径规划中的应用[期刊论文]-计算机工程与应用 2008(8)120.肖宏峰.谭冠政基于遗传算法的混合蚁群算法[期刊论文]-计算机工程与应用 2008(16)121.陈美军.张志胜.史金飞基于自适应多态蚁群算法的多约束车辆路径问题[期刊论文]-东南大学学报（自然科学版） 2008(1)122.段海滨.马冠军.王道波.于秀芬一种求解连续空间优化问题的改进蚁群算法[期刊论文]-系统仿真学报2007(5)123.刘业政.凌海峰.杨善林蚁群优化的研究进展及应用[期刊论文]-合肥工业大学学报（自然科学版） 2006(1) 124.段海滨.王道波.于秀芬基于云模型的小生境MAX-MIN相遇蚁群算法[期刊论文]-吉林大学学报（工学版）2006(5)125.陈莉.陈晓云.胡山立基于蚁群算法的组合拍卖胜者决定问题求解[期刊论文]-计算机研究与发展 2006(z1) 126.江重光.傅培玉.孙仲宪.汪镭.吴启迪智能蚁群算法[期刊论文]-冶金自动化 2005(3)127.蒋建国.夏娜.齐美彬.木春梅一种基于蚁群算法的多任务联盟串行生成算法[期刊论文]-电子学报 2005(12) 128.程艳燕蚁群算法基本原理及其应用综述[期刊论文]-科技创业月刊 2011(4)129.蔡媛媛.王红基于复杂网络理论及蚁群算法的MA迁移策略[期刊论文]-计算机工程与应用 2010(1)130.袁建议.宫全美.周顺华双参数交叉影响的连续域蚁群算法设计[期刊论文]-计算机应用研究 2010(4) 131.方崇.杨绿峰.梁汉吉投影寻踪在火灾后混凝土性能评价中的应用[期刊论文]-计算机工程与应用 2010(25) 132.刘延明.陆克芬.方崇基于投影寻踪和粒子群优化算法的南宁市内河水质综合评价研究[期刊论文]-安徽农业科学 2009(26)133.蒋莹.肖晓明.蔡自兴.高平安基于改进蚁群算法的多机器人任务分配方法[期刊论文]-计算机测量与控制2008(6)134.冯登超.杨兆选.乔晓军基于改进型蚁群算法和Gauss-Markov随机场的植物病斑自适应分割[期刊论文]-沈阳农业大学学报 2007(3)135.柳林.朱建荣基于混合蚂蚁算法的物流配送路径优化问题研究[期刊论文]-计算机工程与应用 2006(13) 136.夏娜.蒋建国.魏星.章玲改进型蚁群算法求解单任务Agent联盟[期刊论文]-计算机研究与发展 2005(5)137.马维启蚁群算法优化有线接入网络拓朴结构研究[学位论文]硕士 2005138.方崇.张信贵.代志宏基于人工鱼群算法岩体可爆性分级的投影寻踪回归方法[期刊论文]-爆破 2009(3) 139.李建明.胡祥培.庞占龙.钱昆明一种基于GPU加速的细粒度并行蚁群算法[期刊论文]-控制与决策 2009(8) 140.赵玲求解两类组合优化问题的改进蚁群算法[学位论文]硕士 20062003(5)142.徐婕.詹士昌动态调整信息素的蚁群算法[期刊论文]-汉中师范学院学报 2003(6)143.大中型灌区可持续发展综合评价的一种新方法[期刊论文]-安徽农业科学 2009(27)144.方崇.张信贵.孙萍.代志宏一种基于模拟退火算法岩体可爆性分级的投影寻踪回归方法[期刊论文]-金属矿山2010(1)145.杨帆.胡春平.颜学峰基于蚁群系统的参数自适应粒子群算法及其应用[期刊论文]-控制理论与应用 2010(11) 146.李菊芳.白保存.陈英武.贺仁杰多星成像调度问题基于分解的优化算法[期刊论文]-系统工程理论与实践2009(8)147.朱立勤.高康林.高明俊基于小波分析的蚁群算法在图像边缘提取中的应用[期刊论文]-山东科学 2011(2) 148.刘朝华.张英杰.李小花.吴建辉双态免疫优势蚁群算法及其在TSP中的应用研究[期刊论文]-小型微型计算机系统 2010(5)149.段海滨.王道波.朱家强.黄向华蚁群算法理论及应用研究的进展[期刊论文]-控制与决策 2004(12)150.褚雪松交通系统中的智能决策研究[学位论文]硕士 2006151.寇晓丽蚁群优化算法及其应用[学位论文]硕士 2006152.王璐.邱桃荣.何妞.刘萍基于粗糙集和蚁群优化算法的特征选择方法[期刊论文]-南京大学学报（自然科学版） 2010(5)153.方崇.代志宏.张信贵人工鱼群投影寻踪回归在洞室岩爆预测中的应用[期刊论文]-地下空间与工程学报2010(5)154.丁秋雷.胡祥培.李永先求解有时间窗的车辆路径问题的混合蚁群算法[期刊论文]-系统工程理论与实践2007(10)155.蔡光跃.董恩清遗传算法和蚁群算法在求解TSP问题上的对比分析[期刊论文]-计算机工程与应用 2007(10) 156.王佳超应用蚁群算法进行物流配送路线优化研究[学位论文]硕士 2006157.李守巨.刘迎曦.孙慧玲基于蚁群算法的含水层参数识别方法[期刊论文]-岩土力学 2005(7)158.李进军.许瑞明.刘德胜.李梦汶.蔡游飞求解航路规划优化问题的改进蚁群算法[期刊论文]-系统仿真学报2007(14)159.李万庆.李彦苍求解复杂优化问题的基于信息熵的自适应蚁群算法[期刊论文]-数学的实践与认识 2005(2) 160.段晓东.刘霞.马艳准.闫帅基于群智能的信息认知机制研究[期刊论文]-大连民族学院学报 2011(5)161.刘士新.宋健海.唐加福蚁群最优化--模型、算法及应用综述[期刊论文]-系统工程学报 2004(5)162.刘厚良网络协同戏剧中个性化戏剧资源推荐系统[期刊论文]-计算机技术与发展 2012(8)163.蒋嶷川.张世永.钟亦平基于蚁群算法实现入侵检测对动态网络拓扑的适应性[期刊论文]-小型微型计算机系统 2005(7)164.叶志伟.周欣.夏彬蚁群算法研究应用现状与展望[期刊论文]-吉首大学学报（自然科学版） 2010(1) 165.吴斌.赵燕伟蚁群算法的研究现状[期刊论文]-自动化仪表 2004(1)166.肖宏峰.谭冠政遗传算法在蚁群算法中的融合研究[期刊论文]-小型微型计算机系统 2009(3)167.周华蚁群算法在开拓系统结构优化中的应用研究[学位论文]硕士 2005168.许星物流配送路径优化问题的研究[学位论文]硕士 2006169.张雪雯求解连续优化问题的集群智能算法应用研究[学位论文]硕士 2006171.谭云江路网节点间空车调配模型与算法研究[学位论文]硕士 2006172.张志伟仿生算法在第三代移动通信多用户检测中的应用[学位论文]硕士 2005 173.方仍存优化排样问题的近似算法[学位论文]硕士 2004174.张晓军无线移动自组网节能路由算法研究[学位论文]硕士 2005175.沈中华基于蚁群优化算法的仓库布局优化研究[学位论文]硕士 2006176.周品面向蚁群算法的车间调度问题研究[学位论文]硕士 2005177.周伟召基于蚁群算法的自动化仓库作业调度研究[学位论文]硕士 2005178.张林基于蚁群算法的排课系统研究与设计[学位论文]硕士 2005179.余兵基于ERP的企业物流管理信息系统开发与生产调度的研究[学位论文]硕士 2003 180.许殿仿生优化算法研究及其在电磁工程中的应用[学位论文]博士 2005181.丁秋雷带有时间窗的车辆路径问题的混合蚁群算法研究[学位论文]硕士 2005 182.李果大规模定制产品快速成本估算方法研究[学位论文]硕士 2005183.温玉娟蚁群算法在图象分割中的应用[学位论文]硕士 2005184.李彦苍基于信息熵和改进ACO的房地产开发投资组合决策研究[学位论文]硕士 2004 185.王梦灵基于模糊神经网络的工业过程建模技术研究[学位论文]硕士 2004186.赵磊蚁群算法研究与应用[学位论文]硕士 2006187.丁建立基于蚂蚁算法的智能优化算法研究[学位论文]博士 2004188.蔡光跃群体智能算法在矢量量化及求解TSP问题中的应用研究[学位论文]硕士 2006 189.杨田田混流装配线节拍优化问题研究[学位论文]硕士 2005190.曹晓辛模糊神经网络及其在化工过程软测量中的应用[学位论文]硕士 2004191.郑小霞大型PTA生产过程智能故障预警与优化操作研究[学位论文]博士 2006192.程志刚连续蚁群优化算法的研究及其化工应用[学位论文]博士 2005193.田明俊智能反演算法及其应用研究[学位论文]博士 2005194.钟一文智能优化方法及其应用研究[学位论文]博士 2005本文链接：/Periodical_xtfzxb200201010.aspx。