5 总结与展望17

5。1 应用进展17

5。2 发展趋势18

参考文献19

致谢20

附录A 蚁群算法的MATLAB程序21

1 绪论

1。1 研究背景

大自然一直以来都是人类 的源泉，我们 的能力大多数来自和大自然的 ，大自然里的很多 都能够带给人们以启发。

  [1]的概念来源于人们对大自然中一些昆虫的 ，比如 。单个蚂蚁看起来像是一段仅仅有着腿的 ，它的 并不高。但当几只 聚到一块，它们就能一起往 搬运在路上觅到的食物了。若是一群 ，它们就可以互相 ，共同筑起漂亮、结实的 ，用来抵挡外来危险，抚育后代。而 所表现出来的这样的智能行为就被称为 。

群体智能具有以下特点：

（1）它不存在 ，是 的。因此它可以更好地适应目前 下的工作状态，而且它还有很强的 ，所以不会因为个体出现 而使群体对 的求解产生 。

（2）它具备比较好的 。群体中的 都可以独立改变环境，这是它们之间的一种非直接 ，这一方式被称作“ ”（Stigmergy）。正是因为群体 能够通过这 的方式来进行信息的传输，所以即使个体的数目增加了，通信 也不会有太大的增长幅度。

（3）它具有 。主要是因为群体中 的 和它们所 都十分简单，所以实现起来很方便，

（4）它具有 。群体所表现出来的 是靠个体的 突现出来的 （Emergent Intelligence）。

 是一种通过模仿大自然中 来实现 的 ，是基于概率的随机搜索过程，不能完全重复试验。它强调 行为的 ，群体的 和由上到下的研究方法。生物体和 能够通过其自身的演变使很多在大家看起来 的 得到完善地解决。

群体智能优化算法的起源可以追溯到20世纪90年代几个著名算法的提出，蚁群算法、人工免疫系统、粒子群算法等。近年来，许多试图通过模仿 来解决复杂优化问题的 陆续出现，它们的思想和经典的 完全不同。随着以模仿生态和 为特征的 时代地悄悄到来，其中一些算法已经在经典 的解决中和其他 中显现了 和发展的 。

1。2研究目的与意义

随着 的繁荣， 发展迅速，越来越多的 了解到 在生产 起着至关重要的作用。传统的 的选择仅仅靠 ，需要花费很多的时间和精力。由于 的逐渐壮大、计算机技术的进步， 也不断扩大， 的数量也逐渐增多， 越来越复杂， 已经很难满足企业的 ，采用 进行 是未来趋势[2]。论文网

近年来兴起的 既丰富了现代技术，也为那些 难以解决的 提供了 的处理方案。 、 等都在此问题上进行了运用，并取得了成功。但也存在各自的 ，如  能力不强，总体上 不是很高， 对于 具有较强的 等等。如何针对 的特点，构造运算 、 的启发式算法，是一个值得深入研究的课题。目前研究的热点是混合算法，通过混合在一定程度上弥补各自的缺陷。

 原型自身就是一个 的模型，因此它在 有着天然的 ， 最早成功应用于解决  (Traveling Salesman Problem, 简称TSP) [3]。 问题和 相比有 ——都是寻找 所有客户点的 的问题，但也有其特点——有更多更 的 和 。针对这种特点，研究一种基于 的 ，通过引入 的 、交叉、变异等 ，在 中可以避免算法 、 ，同时改进 方式、客户点 ，增强算法的 ，从而提高 和 ，使得其在 中有较好的 。

1。3课题内容介绍

第一章首先介绍了选题的研究背景、目的和意义。

第二章详细介绍了基本蚁群算法的内容，主要从蚁群算法的原理、结构框架及算法实现等方面入手。