文档介绍：摘要:蚁群优化算法(简称ACO)是一种近年来才发展起来的新颖的仿生型的智能优化算法,具有正反馈、分布计算和启发性搜索等特点。作为计算智能和群智能的重要分支之一,蚁群优化算法的研究方兴末艾,备受瞩目。蚁群优化算法的思想来源于我们真实世界中的蚂蚁群体的智能特性。在现实生活中,单个蚂蚁并不具备将食物以最短的路径运回到蚁巢的智能行为,然而由许多蚂蚁所构成的蚂蚁群体在经过一段时间的调整以后,通过个体之间的相互配合与协作,最后能够使整个蚁群沿着某条最短的路径将食物搬回到蚁巢。关键词:蚁群优化算法,智能特性,备受瞩目在科学实践与工程技术中,人们经常遇到大量的、各式各样的最优化问题,并需要对它们进行求解,而传统的优化方法出于其计算时间依赖于问题的规模与结构,很难满足人们的要求。于是,技术难题的解决呼唤先进的理论与算法,智能优化技术的出现与发展为解决这些优化问题提供了途径。蚁群优化算法(AntColonyOptimization,ACO)是近年来发展的一种新颖的仿生型的智能优化算法,是一种很有前途的优化算法,是当前智能优化领域中的研究热点,也是我们研究的主要内容。闻此,我们首先从智能的角度,对人工智能、计算智能和群智能进行了简要回顾;而后,从智能优化技术的角度,对一些新出现的优化算法进行了简单介绍:晟后,确定了本文的研究重点,给出了论文的写作思路和缔构安排。:蚂蚁在缺乏行走经验以及在无法对路径的拓扑和距离信息知悉的情况下,总是能够顺利地找到觅食的最短路径。即使路径在中途发生了改变,如被人为地添加了障碍亦是如此,换言之,蚂蚁在寻找最短路径时具有自适应性。-,其中的十字星表示蚂蚁。,上下路径相等,蚂蚁随机选择一条路径,路径上蚂蚁的数量几乎相等;,虽然加入了障碍物,但是由于上下路径的长度不变,因此两条路径上的蚂蚁数量也几乎相等;,加入了障碍物,但是很显然,上面的路径长度更短,最后蚂蚁均选择上面的路径。(未设置障碍)(设置障碍,不改变距离)(设置障碍,改变距离)从生物学上来说,蚂蚁虽然没有语言,但是它们能够通过信息素来完成信息的交换。交换的过程是这样的:当蚂蚁在从巢穴移动到食物的时候会挥发信息素,这样在某条路径上蚂蚁越多,信息素的强度也会越来越大,从而吸引更多的蚂蚁。假定每只蚂蚁在单位时间挥发的信息素是一样的,同时信息素挥发的速度也一样。,蚂蚁在开始阶段距离随机地选择路径AB与CD,即两边的蚂蚁数量一样多,因此挥发的信息素总量也相等,由于信息素挥发的速度也一样,这样在AB的距离小于CD的距离的情况,较短的路径AB的信息素强度大于路径CD,因而更多地蚂蚁选择AB,直至所有的蚂蚁都选择AB。从这一过程不难看出,虽然,障碍物的加入有可能改变路径的长度,但是改变之后,信息素的强度会跟着发生变化从而保证蚂蚁总能找到最短路径。从上面的过程不难看出,蚂蚁在寻找最短路径时需要多个机制的支持:首先,需要选择机制,即蚂蚁以更大的概率选择信息素强度大的路径,反之,概率越小;其次,信息素更新机制。这包括两部分,一是信息素的释放机制,二是信息素的挥发机制;最后,需要个体之间的协调机制。蚁群算法就是对生