社会性动物的群集活动往往能产生惊人的自组织行为，如个体行为显得盲目的蚂蚁在组成蚁群后能够发现从蚁巢到食物源的最短路径。生物学家经过仔细研究发现蚂蚁之间通过一种称之为“外激素”的物质进行间接通讯、相互协作来发现最短路径。受其启发，1991年由意大利学者 M. Dorigo，V. Maniezzo 和 A. Colorni 通过模拟蚁群觅食行为提出了一种基于种群的模拟进化算法——蚁群优化。本文阐述了算法的基本原理及特性以及一些优化的蚁群算法，阐述了蚁群算法在数据挖掘中的应用,最后总结了蚁群算法在数据挖掘应用中尚待解决的问题。
关键词: 蚁群算法; 蚁群优化; 数据挖掘
正文文字大小：大中小 1 蚁群算法原理
自1991年由意大利学者 M. Dorigo，V. Maniezzo 和 A. Colorni 通过模拟蚁群觅食行为提出了一种基于种群的模拟进化算法——蚁群优化。该算法的出现引起了学者们的极大关注，蚁群算法的特点：
①其原理是一种正反馈机制或称增强型学习系统; 它通过【最优路径上蚂蚁数量的增加→信息素强度增加→后来蚂蚁选择概率增大→最优路径上蚂蚁数量更大增加】达到最终收敛于最优路径上L
②它是一种通用型随机优化方法, 它吸收了蚂蚁的行为特(内在搜索机制) , 它是使用人工蚂蚁仿真(也称蚂蚁系统) 来求解问题L但人工蚂蚁决不是对实际蚂蚁的一种简单模拟, 它融进了人类的智能L人工蚂蚁有一定的记忆; 人工蚂蚁不完全是瞎的; 人工蚂蚁生活的时空是离散的L
③它是一种分布式的优化方法, 不仅适合目前的串行计算机, 而且适合未来的并行计算机L
④它是一种全局优化的方法, 不仅可用于求解单目标优化问题, 而且可用于求解多目标优化问题L
⑤它是一种启发式算法, 计算复杂性为o (Nc*n2*m) , 其中Nc 是迭代次数, m 是蚂蚁数目, n 是目的节点数目L
蚁群发现最短路径的原理和机制[1]
下面用图 1解释蚁群发现最短路径的原理和机制。
如图 1(a)所示，在蚁巢和食物源之间有两条道路 Nest-A-B-D-Food 和Nest-A-C-D-Food，其长度分别为 4 和 6。单位时间内蚂蚁可移动一个单位长度的距离。开始时所有路径上都没有外激素。
如图 1(b)，在 t=0 时刻，20 只蚂蚁从蚁巢出发移动到 A。由于路径上没有外激素，它们以
相同概率选择左侧或右侧道路，因此平均有 10 只蚂蚁走左侧，另外 10 只走右侧。
如图 1(c)，在 t=4 时刻，第一组先到达食物源的蚂蚁将折回。
如图 1(d)，在 t=5 时刻，两组蚂蚁将在 D 点相遇。此时 BD 上的外激素数量与 CD 上的相同，因此返回的 10 只蚂蚁中有 5 只选择 BD 而另 5 只选择 CD。
如图 1(e)，在 t=8 时刻，前 5 个蚂蚁将返回巢穴，而在 AC、CD 和 AB 上各有 5 个蚂蚁。
如图 1(f)，在 t=9 时刻，前 5 个蚂蚁又回到 A 并且再次面对往左还是往右的选择。这时，AB 上的轨迹数是 20 而 AC 上是 15，因此将有较为多数的蚂蚁选择往右，从而增强了 AB 上外激素的量。随着该过程的继续，两条道路上外激素数量的差距将越来越大，直至绝大多数蚂蚁都选择了最短的路径。正是由于一条道路要比另一条道路短，因此，在相同的时间间隔内，短的路线会有更多的机会被选择。
根据仿生学家的研究结果,蚂蚁凭借路径寻优的能力能够找到蚁巢与食物之间的最短路径,其原理在于:蚂蚁在所经过的路径上留下一种挥发性分泌物(pheromone,以下称为信息素),信息素随着时间的推移会逐渐挥发消失.蚂蚁在觅食过程中能够感知这种物质的存在及其强度,并以此来指导自己的运动方向,倾向于朝着这种物质强度高的方向移动,即选择该路径的概率与当时这条路径上该物质的强度成正比.信息素强度越高的路径,选择它的蚂蚁就越多,则在该路径上留下的信息素的强度就更大,而强度大的信息素又吸引更多的蚂蚁,从而形成一种正反馈.通过这种正反馈,蚂蚁最终可以发现最佳路径,导致大部分的蚂蚁都会走此路径.
以求解ｎ个城市的ＴＳＰ旅行商问题为例说明ＡＣＡ模型.
设蚁群中蚂蚁的数量为ｍ,ｄij (ｉ,ｊ=1,2,…,ｎ)表示城市ｉ和城市ｊ之间的距离,ｂi(ｔ)表示ｔ时刻位于城市ｉ的蚂蚁的个数,则有表示ｔ时刻在城市ｉ,ｊ连线上残留的信息量.初始时刻,各条路径上信息量相等,设τｉｊ(0)=Ｃ(Ｃ为常数).蚂蚁ｋ(ｋ=1,2,…,ｍ)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ｔ时刻蚂蚁ｋ由城市ｉ转移到城市ｊ的概率.
（1）
残留信息的重要程度;β——启发信息的重要程度;tabuk——记录蚂蚁ｋ当前所走过的城市,称为记忆列表,ｋ=1,2,…,ｍ,集合tabuk随着进化过程作动态调整.经过ｎ个时刻,所有蚂蚁都完成了一次遍历.此时,计算每一只蚂蚁所走过的路径Ｌｋ,并保存最短路径Ｌｍｉｎ=ｍｉｎ{Ｌｋ︱ｋ=1,2,…,ｍ}.在蚂蚁完成一次循环以后,各路径上的信息量进行如下调整
τｉｊ(ｔ+1)=(1-ρ)τｉｊ(ｔ)+Δτｉｊ (2)
式中ρ∈(0,1),表示信息素τｉｊ(ｔ)随时间的推移而衰减的程度.所以1-ρ为信息素残留因子，开始时Δτｉｊ（0）=0，
信息素增量Δτｉｊ可表示 (3)
式中Δτｋｉｊ为蚂蚁ｋ在本次循环中在城市ｉ和ｊ之间留下的信息量,它的计算公式根据具体问题而定.Dorigo曾给出Δτｋｉｊ3种不同的模型,分别称为Ant-Cycle模型、Ant-Quantity模型、Ant-Density模型，它们的区别就在于信息素的更新机制,即其差别在于Δτｋｉｊ
在Ant-Cycle模型中：
（4）
式中，Q表示信息素强度，它在一定程度上影响算法的收敛速度；Lk表示第K只蚂蚁在本次循环中所奏路径的总长度。
在Ant-Quantity模型中：
（5）
式中，Q表示信息素强度，它在一定程度上影响算法的收敛速度；dij表示第K只蚂蚁在t 和t+1之间经过的（ i, j ）
在Ant-Density模型中：
（6）
区别:式(5)式(6)中利用的是局部信息，即蚂蚁完成一步后更新路径上的信息素；而式(4)中利用的是整体信息，即蚂蚁完成一个循环后所有路径上的信息素。经过大量试验总结研究，采用式(4)性能较好，所以 Ant-Cycle模型是最优的。
以上说明了信息素残留因子1-ρ、信息启发式因子α、期望启发式因子β、信息素强度Q、蚂蚁数目M等都是非常重要的参数，其选区方式和选区原则直接影响到蚁群算法的全局收敛性和求解效率。我们学习到这种“三步走”[2]选择蚁群算法最优组合参数的有效方法：
（1）确定蚂蚁数目M，根据城市规模 / 蚂蚁数目≈1.5的选择策略来确定蚂蚁的总数目。
（2）参数粗调，即调整数值范围较大的信息启发式因子α、期望启发式因子β、信息素强度Q等参数，已得到较理想的解。
（3）参数微调，即调整数值范围较小的信息素残留因子1-ρ。
2 目前蚁群算法的应用
虽然对蚁群算法的研究时间不长, 但是初步研究已显示出它在求解复杂优化问题方面具有很
大的优势, 特别是1998 年在比利时布鲁塞尔专门召开了第一届蚂蚁优化国际研讨会后, 现在每两年召开一次这样的蚂蚁优化国际研讨会。这标志着蚁群算法的研究已经得到了国际上的广泛支持，使得这种新兴的智能进化仿生算法展现出了勃勃生机[3]。
以蚁群算法为代表的群体智能已成为当今分布式人工智能研究的一个热点,许多源于蜂群和蚁群模型设计的算法已越来越多地被用于企业的运转模式的研究。美国五角大楼正在资助关于群体智能系统的研究工作--群体战略(SWARM STRATEGY),它的一个实战用途是通过运用成群的空中无人驾驶飞行器和地面车辆来转移敌人的注意力,让自己的军队在敌人后方不被察觉地安全行进。英国电信公司和美国世界通信公司以电子蚂蚁为基础,对新的电信网络管理方法进行了试验。群体智能还被应用于工厂生产计划的制定和运输部门的后勤管理。美国太平洋西南航空公司采用了一种直接源于蚂蚁行为研究成果的运输管理软件,结果每年至少节约了1000万美元费用开支。英国联合利华公司已率先利用群体智能技术改善其一家牙膏厂的运转状况。美国通用汽车公司,法国液气公司,荷兰公路交通部和美国一些移民事务机构也都采用这种技术来改善其运转的机能。又如美国https://www.doczj.com/doc/a05955583.html,公司一直研究人工蚂蚁，并用于管理公司的电话网，对用户记账收费等工作。另外，还设计“人工蚂蚁”打算用于因特网的路由管理。鉴于群体智能广阔的应用前景,美国和欧洲联盟均于近几年开始出资资助基于群体智能模拟的相关研究项目, 关在一些院校开设群体智能的相关课程.牛津大学出版社1999年版的 E.Bonabeau和M.Dorigo等人编写的专著《群体智能:从自然到人工系统》(Swarm Intelligence:From Natural to Artificial System),以及2001年出版的J.Kennedy和R.Eberhart编著的《群体智能》(Swarm Intelligence)进一步扩大了群体智能的影响.IEEE 进化计算会刊也于2002年8月出版了蚁群优化算特刊。国内也有研究者用蚂蚁算法求解全国144个城市的最短回路问题，求得的解同其它方法求到得解一样精确，这说明蚂蚁算法不但是求解组合优化问题的可行方法，而且是一种很有竞争力的算法。国家自然科学基金十五期间学科交叉类优先资助领域中的认知科学及其信息处理的研究内容中也明确列出了群体智能领域的进化,自适应与现场认知主题[4]。而且从1999年开始，几乎每年都会有几项相关项目获得资助。蚁群算法是一种新型的模拟进化算法，其在数据挖掘中的应用正逐步引起人们的关注。目前，人工蚁群在知识发现的过程中主要用于发掘聚类模型和分类模型。
2．1蚁群算法在数据挖掘中的应用
聚类是将一组对象分成若干个群体，每个群体构成一个簇，使得簇内的对象尽可能具有最大的相似性，不同簇之间的对象尽可能有最大的相异性。目前，聚类方法主要有K均值法，模糊聚类、神经网络聚类、基于遗传算法的聚类、小波变换聚类以及将这些算法有效结合而形成的改进方法。随着蚁群算法研究的兴起，人们发现在某些方面采用蚁群模型进行聚类更加接近实际的聚类问题。将蚁群算法用于聚类分析,灵感源于蚂蚁堆积他们的尸体和分类他们的幼体。基于蚁群算法的聚类方法从原理上可分为两种：一种是基于蚁堆形成原理来实现数据聚类，另一种是运用蚂蚁觅食的原理，利用信息来实现聚类分析。
而数据是数据挖掘的另一个重要主题，它是在数据库对象集合中寻找属性，并根据分类模式将其划分为不同类别的过程。分类过程利用历史数据记录自动推导出对给定数据的分类树。分类器构造方法有统计学方法、机器学习法、神经网络、决策树等。从知识发现的观点来看，分类规则的表达方式形如if<条件>then<类>规则前件（if 部分）包含一组条件集合，一般由逻辑连接符连接；规则结论（then部分）定义了样本的预测类，这些样本的预测属性满足规则前件所定义的所有条件[5]。将蚁群算法引入分类规则的发现，是利用蚁群觅食原理在数
据库中进行搜索，对随机产生的一组规则进行选择优化，直到数据库能被该组规则覆盖，从而挖掘出隐含在数据库中的规则，建立最优的分类模型。蚁群算法搜索的初始条件为发现规则的集合为空，且训练集包含所有的训练样本。蚂蚁搜索一次要完成规则生成、规则剪枝、信息素更新三个任务。一次搜索生成一条规则，并且将这条规则加入发现规则集合，同时将该条规则所覆盖的训练样本从训练集中删除。如果未覆盖训练样本的数目大于用户定义的阈值，即最大未覆盖样本数，就反复执行上述过程，最终算法将得到一组最优分类规则集合[5]。
最早在这一领域开展工作的是Deneubourg 等[6],他们根据数据对象与其周围对象的相似性,让蚂蚁随机地移动、拾起或放下数据对象,以达到聚类数据的目的,这个基本模型已成功地应用于机器人领域。Lumer 等首先改进此算法,提出了LF算法。Wu 等、Ramos等、Yang等[7]从不同角度对LF算法进行了改进,在用蚁群算法进行聚类分析方面取得了一定成效。近几年，学者在这方面的研究从来没有间断过，也取得了一定的研究成果。
2．2 结论
不过，将蚁群算法运用于数据发掘还存在一些问题，需要进一步研究：
（1）如何将现实的挖掘任务转换成蚁群求解的问题空间，并用适当的方式表达。如何定义“人工蚂蚁”以及蚂蚁间的非直接通信方式（如路径上的信息素、对象的分布状态等）的选择。
（2）如何建立正反馈机制，定义启发函数，递增地进行问题求解，并且使得到的解与问题定义中现实世界的情况相对应。
（3）基于蚁群的算法要初始化大量的参数，这些参数的选择会对算法的性能产生较大的影响，但其选取的方法和原则目前尚无理论上的依据，只能通过多次实验调优，因此参数的最佳设置原则还有待进一步研究。
（4）蚁群算法的搜索时间较长，如何将蚁群算法与遗传算法、免疫算法等优化算法相结合，改善和提高算法性能，以适应海量数据库的知识发现。
所以如何在数据挖掘中运用蚁群算法快速、高效地获得高质量的知识越来越受到人们的关注，逐渐成为近期的研究热点[5]。
参考文献：
[1]丁建立、陈增强、袁著祉. 基于动态聚类邻域分区的并行蚁群优
化算法[J]. 系统工程理论与实践,2003
[2]段海滨.蚁群算法原理及其应用. 科学出版社，2005.
[3]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[J].控制与决策.第19
卷第12 期
[4]吴启迪.汪镭.智能蚁群算法及应用[J].上海科技教育出版社.2004.4
[5]张惟皎. 刘春煌. 尹晓峰. 蚁群算法在数据挖掘中的应用研究[J]. 计算机工程与应用2004.28 173
[6]Deneubourg J L, Goss S, Franks N, etal. The Dynamics of Collective Sorting: Robot-Like Ant and Ant-Like Robot [A]. Meyer A ,Wilson S W. Proceedings First Conference on Simulation of Adaptive Behavior : From Animals to Animates[C]. Cambridge, MA: MIT Press, 1991. 356-365
[7]Yang Y, Kamel M. Clustering Ensemble Using Swarm Intelligence Symposium [J]. Piscataway, NJ: IEEE service center, 2003, 51:65-71
蚁群算法 目录 1 蚁群算法基本思想 (1) 1.1蚁群算法简介 (1) 1.2蚁群行为分析 (1) 1.3蚁群算法解决优化问题的基本思想 (2) 1.4蚁群算法的特点 (2) 2 蚁群算法解决TSP问题 (3) 2.1关于TSP (3) 2.2蚁群算法解决TSP问题基本原理 (3) 2.3蚁群算法解决TSP问题基本步骤 (5) 3 案例 (6) 3.1问题描述 (6) 3.2解题思路及步骤 (6) 3.3MATLB程序实现 (7) 3.1.1 清空环境 (7) 3.2.2 导入数据 (7) 3.3.3 计算城市间相互距离 (7) 3.3.4 初始化参数 (7) 3.3.5 迭代寻找最佳路径 (7) 3.3.6 结果显示 (7) 3.3.7 绘图 (7)
1 蚁群算法基本思想 1.1 蚁群算法简介 蚁群算法（ant colony algrothrim，ACA）是由意大利学者多里戈（Dorigo M）、马聂佐（Maniezzo V ）等人于20世纪90初从生物进化的机制中受到启发，通过模拟自然界蚂蚁搜索路径的行为，提出来的一种新型的模拟进化算法。该算法用蚁群在搜索食物源的过程中所体现出来的寻优能力来解决一些系统优化中的困难问题，其算法的基本思想是模仿蚂蚁依赖信息素，通过蚂蚁间正反馈的方法来引导每个蚂蚁的行动。 蚁群算法能够被用于解决大多数优化问题或者能够转化为优化求解的问题，现在其应用领域已扩展到多目标优化、数据分类、数据聚类、模式识别、电信QoS管理、生物系统建模、流程规划、信号处理、机器人控制、决策支持以及仿真和系统辩识等方面。 蚁群算法是群智能理论研究领域的一种主要算法。 1.2 蚁群行为分析 B m=20 t=0 m=10 m=10 t=1
// AO.cpp : 定义控制台应用程序的入口点。 #pragma once #include
62,42,16,8,7,27,30,43,58,58, 37,38,46,61,62,63,32,45,59,5, 10,21,5,30,39,32,25,25,48,56, 30 }; double y_Ary[N_CITY_COUNT]= { 52,49,64,26,30,47,63,62,33,21, 41,32,25,42,16,41,23,33,13,58, 42,57,57,52,38,68,48,67,48,27, 69,46,10,33,63,69,22,35,15,6, 17,10,64,15,10,39,32,55,28,37, 40 }; //返回指定范围内的随机整数 int rnd(int nLow,int nUpper) { return nLow+(nUpper-nLow)*rand()/(RAND_MAX+1); } //返回指定范围内的随机浮点数 double rnd(double dbLow,double dbUpper) { double dbTemp=rand()/((double)RAND_MAX+1.0); return dbLow+dbTemp*(dbUpper-dbLow); }
基于仿生学的智能计算浅谈 摘要：本文介绍了仿生学智能计算的自然及数学原理，同时分析了基于仿生学的智能计算的几种经典的算法，最后就仿生学智能计算的发展方向提出了一点个人见解。 关键词：仿生；智能；算法；蚁群算法；遗传算法；人工神经网络 中图分类号：tp183 文献标识码：a 文章编号：1007-9599 (2011) 22-0000-01 intelligent computing based on bionics zhang guangshun (school of information science,jiujiang university,jiujiang 332005,china) abstract:this paper describes bionics intelligent computing and mathematical principles of natural,simultaneous analysis of intelligence based on bionic algorithm for the calculation of several classic,and finally the development of intelligent computing the direction of bionics made a personal opinion. keywords:bionic;intelligent;algorithm;ant colony algorithm;genetic algorithm;artificial neural network 一、仿生学智能计算的原理 （一）自然原理。达尔文在进化论中提出，大自然中的生物“物
蚁群算法简述及实现 1 蚁群算法的原理分析 蚁群算法是受自然界中真实蚁群算法的集体觅食行为的启发而发展起来的一种基于群体的模拟进化算法,属于随机搜索算法,所以它更恰当的名字应该叫“人工蚁群算法”,我们一般简称为蚁群算法。M.Dorigo等人充分的利用了蚁群搜索食物的过程与著名的TSP问题的相似性,通过人工模拟蚁群搜索食物的行为来求解TSP问题。 蚂蚁这种社会性动物,虽然个体行为及其简单,但是由这些简单个体所组成的群体却表现出及其复杂的行为特征。这是因为蚂蚁在寻找食物时,能在其经过的路径上释放一种叫做信息素的物质,使得一定范围内的其他蚂蚁能够感觉到这种物质,且倾向于朝着该物质强度高的方向移动。蚁群的集体行为表现为一种正反馈现象,蚁群这种选择路径的行为过程称之为自催化行为。由于其原理是一种正反馈机制,因此也可以把蚁群的行为理解成所谓的增强型学习系统(Reinforcement Learning System)。 引用M.Dorigo所举的例子来说明蚁群发现最短路径的原理和机制,见图1所示。假设D 和H之间、B和H之间以及B和D之间(通过C)的距离为1,C位于D和B的中央(见图1(a))。现在我们考虑在等间隔等离散世界时间点(t=0,1,2……)的蚁群系统情况。假设每单位时间有30只蚂蚁从A到B,另三十只蚂蚁从E到D,其行走速度都为1(一个单位时间所走距离为1),在行走时,一只蚂蚁可在时刻t留下浓度为1的信息素。为简单起见,设信息素在时间区间(t+1，t+2)的中点(t+1.5)时刻瞬时完全挥发。在t=0时刻无任何信息素,但分别有30只蚂蚁在B、30只蚂蚁在D等待出发。它们选择走哪一条路径是完全随机的,因此在两个节点上蚁群可各自一分为二,走两个方向。但在t=1时刻,从A到B的30只蚂蚁在通向H的路径上(见图1(b))发现一条浓度为15的信息素,这是由15只从B走向H的先行蚂蚁留下来的;而在通向C的路径上它们可以发现一条浓度为30的信息素路径,这是由15只走向BC的路径的蚂蚁所留下的气息与15只从D经C到达B留下的气息之和(图1(c))。这时,选择路径的概率就有了偏差,向C走的蚂蚁数将是向H走的蚂蚁数的2倍。对于从E到D来的蚂蚁也是如此。 （a）（b）（c） 图1 蚁群路径搜索实例 这个过程一直会持续到所有的蚂蚁最终都选择了最短的路径为止。 这样,我们就可以理解蚁群算法的基本思想:如果在给定点,一只蚂蚁要在不同的路径中选择,那么,那些被先行蚂蚁大量选择的路径(也就是信息素留存较浓的路径)被选中的概率就更大,较多的信息素意味着较短的路径,也就意味着较好的问题回答。
蚁群算法的基本思想 一、引言 蚁群算法（Ant Colony Optimization, ACO），是一种用来在图中寻找优 化路径的算法。它由Marco Dorigo于1992年在他的博士论文中提出，其灵感 来源于蚂蚁在寻找食物过程中发现路径的行为。蚁群算法是一种模拟进化算法，初步的研究表明该算法具有许多优良的性质。 蚁群算法成功解决了旅行商问题（Traveling Salesman Problem, TSP）：一个商人要到若干城市推销物品，从一个城市出发要到达其他各城市一次而且 最多一次最后又回到第一个城市。寻找一条最短路径，使他从起点的城市到达 所有城市一遍，最后回到起点的总路程最短。若把每个城市看成是图上的节点，那么旅行商问题就是在N个节点的完全图上寻找一条花费最少的回路。 二、基本蚁群算法 （一）算法思想 各个蚂蚁在没有事先告诉他们食物在什么地方的前提下开始寻找食物。当 一只找到食物以后，它会向环境释放一种信息素，信息素多的地方显然经过这 里的蚂蚁会多，因而会有更多的蚂蚁聚集过来。假设有两条路从窝通向食物， 开始的时候，走这两条路的蚂蚁数量同样多（或者较长的路上蚂蚁多，这也无 关紧要）。当蚂蚁沿着一条路到达终点以后会马上返回来，这样，短的路蚂蚁 来回一次的时间就短，这也意味着重复的频率就快，因而在单位时间里走过的 蚂蚁数目就多，洒下的信息素自然也会多，自然会有更多的蚂蚁被吸引过来， 从而洒下更多的信息素。因此，越来越多地蚂蚁聚集到较短的路径上来，最短 的路径就找到了。 蚁群算法的基本思想如下图表示：
（二）算法描述 基本蚁群算法的算法简单描述如下： 1．所有蚂蚁遇到障碍物时按照等概率选择路径，并留下信息素； 2．随着时间的推移，较短路径的信息素浓度升高； 3．蚂蚁再次遇到障碍物时，会选 择信息素浓度高的路径； 4．较短路径的信息素浓度继续升高，最终最优路径 被选择出来。 三、随机蚁群算法 在基本蚁群算法中，蚂蚁会在多条可选择的路径中，自动选择出最短的一 条路径。但是，一旦蚁群选择了一条比之前短的路径，就会认为这条路径是最 好的，在这条路径上一直走下去。这样的算法存在问题：蚂蚁可能只是找到了 局部的最短路径，而忽略了全局最优解。 因此，在基本蚁群算法的基础上，需要对蚂蚁选路的方案加以改善：有些 蚂蚁并没有象其它蚂蚁一样总重复同样的路，他们会另辟蹊径，也就是它会按 照一定的概率不往信息素高的地方。如果令开辟的道路比原来的其他道路更短，
浅谈电网规划评价与决策 电网规划是电力系统发展的基础，其规划水平的高低直接影响到未来电网的安全性、可靠性与经济性等方面。电网规划评价与决策工作是其中的重要内容，关系到电网规划的质量与水平。因此，电网规划评价与决策研究工作就显得尤为重要，文章针对电网规划评价与决策方法进行了研究，以期给同行参考。 标签：电网规划；评价；决策 引言 随着社会经济的不断进步，电能已经触及到了人类生活的各个方面。只有通过电力工业本身的基本建设从而不断扩大电力系统的规模才能满足社会对电能的需求。因此做好电力工程建设的前期工作，落实发、送、变电本体工程的建设条件，协调其建设进度，优化其设计方案，其意义尤为重大。而电网规划正是其中一个重要的环节，一个规划方案的好坏直接关系到电能能否从发电厂顺利送到用户。因此，提高电网规划的质量具有重大的理论与现实意义。 1 电网规划研究 电网规划研究主要有两个方面的任务：一是确定电网未来安装设备规格，如导线电压等级及型号、变压器规格等；二是确定电网中增加新设备的地点及时刻。电网规划的目的是确定电网合理扩展网架，寻找最优的扩展方案，且满足负荷、用户供电质量、城市规划协调一致、经济发展四个方面的要求。因此电网规划是一个多目标、多变量、多约束的混合非线性规划问题。国内外研究人员针对其特点进行了大量的研究，并取得了一定成果。人们对电网规划问题研究的不同之处主要表现在数学模型和优化方法两方面。 2 规划模型的建立 由于电网规划的复杂性与系统性，需要考虑的因素多种多样，建立合理与完整的规划模型是一个重要的课题。文献[1]针对传统规划中未考虑各线路负荷水平问题，将输电线路投资和网络剩余输电容量作为目标函数，求取投资最小下剩余输电容量最大的方案。文献[2]在模型中加入了发电备用容量以满足电力系统实际运行要求。文献[3]同时考虑了电力市场阻塞和线路剩余容量建立新的电网规划模型，并采用粒子群算法进行求解。文献[4]建立了主网与配网相协调的电网规划模型，并将地理信息系统和图论应用到规划中。 3 优化算法的选择 除了提出不同的电网规划模型外，电网规划研究者也对优化算法展开大量的研究，以期提高计算速度和改善算法收敛性。目前，用于电网规划的优化算法主要包括两类：数学优化方法和智能优化方法。
蚁群算法浅析 摘要：介绍了什么是蚁群算法，蚁群算法的种类，对四种不同的蚁群算法进行了分析对比。详细阐述了蚁群算法的基本原理，将其应用于旅行商问题，有效地解决了问题。通过对旅行商问题C++模拟仿真程序的详细分析，更加深刻地理解与掌握了蚁群算法。 关键词：蚁群算法；旅行商问题；信息素；轮盘选择 一、引言 蚁群算法（Ant Colony Optimization, ACO），是一种用来在图中寻找优化路径的算法。它由Marco Dorigo于1992年在他的博士论文中提出，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。蚁群算法是一种模拟进化算法，初步的研究表明该算法具有许多优良的性质。 蚁群算法成功解决了旅行商问题（Traveling Salesman Problem, TSP）：一个商人要到若干城市推销物品，从一个城市出发要到达其他各城市一次而且最多一次最后又回到第一个城市。寻找一条最短路径，使他从起点的城市到达所有城市一遍，最后回到起点的总路程最短。若把每个城市看成是图上的节点，那么旅行商问题就是在N个节点的完全图上寻找一条花费最少的回路。 最基本的蚁群算法见第二节。目前典型的蚁群算法有随机蚁群算法、排序蚁群算法和最大最小蚁群算法，其中后两种蚁群算法是对前一种的优化。本文将终点介绍随机蚁群算法。 二、基本蚁群算法 （一）算法思想 各个蚂蚁在没有事先告诉他们食物在什么地方的前提下开始寻找食物。当一只找到食物以后，它会向环境释放一种信息素，信息素多的地方显然经过这里的蚂蚁会多，因而会有更多的蚂蚁聚集过来。假设有两条路从窝通向食物，开始的时候，走这两条路的蚂蚁数量同样多（或者较长的路上蚂蚁多，这也无关紧要）。当蚂蚁沿着一条路到达终点以后会马上返回来，这样，短的路蚂蚁来回一次的时间就短，这也意味着重复的频率就快，因而在单位时间里走过的蚂蚁数目就多，洒下的信息素自然也会多，自然会有更多的蚂蚁被吸引过来，从而洒下更多的信息素。因此，越来越多地蚂蚁聚集到较短的路径上来，最短的路径就找到了。 蚁群算法的基本思想如下图表示：
基于正交方法求解连续优化问题的蚁群搜索算法 【研究背景和意义】 目前，以蚁群算法为代表的群体智能算法得到越来越多的重视。原因是其以生物的群体行为为研究对象，通过系统仿真，设计出求解各种问题的优化算法。这些算法无论在速度和灵活性上都比传统的确定性算法更适合于求解大规模的优化问题。蚁群算法利用蚂蚁寻找食物时会释放一定量的信息素，而信息素又会随时间蒸发消失的特点，通过设计信息素的释放和蒸发模型，配合启发式信息的使用，使得蚁群算法中的人工蚂蚁通过协作搜索出问题的最优解。 蚁群算法最初由M. Dorigo提出，用于求解旅行商（TSP）问题，后来人们把算法进行扩充和改进，应用到诸如车辆调度、车间调度、路由问题等，并取得很好的计算效果。因此，蚁群算法一直都是用于解决离散组合优化问题的算法。然而，蚁群算法在求解连续优化问题上也具有很好的发展前景，本文就是对蚁群算法求解连续问题的研究成果。 【研究的内容，研究中采取的方法，手段和新的发现】 通过对蚁群算法的研究，本文作者发现，求解连续问题的最大困难在于如何让蚁群中的蚂蚁学到连续空间中的信息，由于不同于TSP问题已经给定有形的路径，连续空间的搜索是无定向的，因此蚂蚁需要高效的方法了解其所处位置周围的状况。 本文提出的正交蚁群搜索方法，首先基于正交试验的方法让蚂蚁快速测试周围正交位置上的优劣程度，根据测试的结果获取当前环境的信息，尝试移动到最优的邻近位置；其次自适应调整测试的邻域的范围，让蚂蚁的搜索更具鲁棒性；最后，通过设计新的信息素释放与蒸发的模式，让蚁群中的蚂蚁以更快的速度交换各自的搜索信息，吸引同伴朝最优的区域探索。 【研究的创新点和主要贡献】 本文与其他学者已经提出的求解连续空间优化问题的蚁群算法的不同之处，在于本文首次提出利用多因素试验中的正交试验法，加强蚂蚁的搜索能力，并提出动态区域的方法，让蚂蚁以更大的自由度试验连续空间中通过正交表产生的测试点。这些思想在同类型的群体智能优化方法中是首创，通过17个连续问题的测试，显示出本文提出的方法既发扬了蚁群的搜索优点，也大大提高了蚁群在连续空间中的搜索能力。 此外，本文提出的正交试验和区域的调整方法是一种基础模型，可以容易地扩充到其他类型优化算法中，为进一步的研究提供良好的借鉴。
浅谈“机器人的现在和未来。” 本文扼要地介绍了智能机器人技术的发展现状，以及世界各国智能机器人的发展水平，然后介绍了智能机器人的分类，从几个典型的方面介绍了智能机器人在各行各业的广泛应用，讨论了智能机器人的发展趋势以及对未来技术的展望，最后提出了自己的建议和设想，分析我国在智能机器人方面发展并提出期望。 1、引言 机器人是一种可编程和多功能的，用来搬运材料、零件、工具的操作机，或是为了执行不同的任务而具有可改变和可编程动作的专门系统。智能机器人则是一个在感知-思维-效应方面全面模拟人的机器系统，外形不一定像人。它是人工智能技术的综合试验场，可以全面地考察人工智能各个领域的技术，研究它们相互之间的关系。还可以在有害环境中代替人从事危险工作、上天下海、战场作业等方面大显身手。一部智能机器人应该具备三方面的能力：感知环境的能力、执行某种任务而对环境施加影响的能力和把感知与行动联系起来的能力。智能机器人与工业机器人的根本区别在于，智能机器人具有感知功能与识别、判断及规划功能。 随着智能机器人的应用领域的扩大，人们期望智能机器人在更多领域为人类服务，代替人类完成更复杂的工作。然而,智能机器人所处的环境往往是未知的、很难预测。智能机器人所要完成的工作任务
也越来越复杂;对智能机器人行为进行人工分析、设计也变得越来越困难。目前，国内外对智能机器人的研究不断深入。 本文对智能机器人的现状和发展趋势进行了综述，分析了国内外的智能机器人的发展，讨论了智能机器人在发展中存在的问题，最后提出了对智能机器人发展的一些设想。 2、国内外在该领域的发展现状综述 2.1智能机器人的发展现状 智能机器人是第三代机器人，这种机器人带有多种传感器,能够将多种传感器得到的信息进行融合，能够有效的适应变化的环境，具有很强的自适应能力、学习能力和自治功能。 目前研制中的智能机器人智能水平并不高，只能说是智能机器人的初级阶段。智能机器人研究中当前的核心问题有两方面：一方面是，提高智能机器人的自主性，这是就智能机器人与人的关系而言，即希望智能机器人进一步独立于人，具有更为友善的人机界面。从长远来说，希望操作人员只要给出要完成的任务，而机器能自动形成完成该任务的步骤，并自动完成它。另一方面是，提高智能机器人的适应性，提高智能机器人适应环境变化的能力，这是就智能机器人与环境的关系而言，希望加强它们之间的交互关系。 智能机器人涉及到许多关键技术，这些技术关系到智能机器人的智能性的高低。这些关键技术主要有以下几个方面：多传感信息耦合
Matlab实现概率估计_matlab 网站首页控制系统电子技术机械设计电气工程专业软件考研就业技术论坛PROTEUS | PROTEL | matlab | Solidworks | 组态软件 | labview | 电路图 | Eplan | cad - 当前位置：高校自动化网 >> matlab >> 浏览文章 Matlab实现概率估计 文章来源：不详作者：佚名 该文章讲述了Matlab实现概率估计. matlab的统计中有直接有的概率密度估计就是： ksdensity 核心平滑密度估计 [f,xi] = ksdensity(x) 计算样本x的概率密度估计，返回在xi点的概率密度f，此时我们使用plot(xi,f)就可以绘制出概率密度曲线。该函数，首先统计样本x在各个区间的概率(与hist有些相似)，再自动选择xi，计算对应的xi点的概率密度 f = ksdensity(x,xi) 与上面的相似，只是这时xi我们帮选定了，ksdesity直接计算对应点的概率密度 当然ksdedity还有其他选项，这里不具体介绍，感兴趣的网友可以自己查看帮助，或者与我交流matlabsky@https://www.doczj.com/doc/a05955583.html, %by dynamic %see also https://www.doczj.com/doc/a05955583.html, %contact me matlabsky@https://www.doczj.com/doc/a05955583.html, %2009.2.21 % %给一个随机样本 x=[randn(30,1); 5+randn(30,1)]; %计算出各点的概率密度
[f,xi]=ksdensity(x); %绘制 subplot(211) plot(x) title('样本数据(Sample Data)') subplot(212) plot(xi,f) title('概率密度分布(PDF)') 相关文章: Reading and writing .mat files with Python Matlab获取鼠标坐标值的ginput()函数 线性规划matlab实现 上一篇：aam算法的matlab程序和c语言程序下载 下一篇：MATLAB基本数学函数最近更新在ARM微处理器上实现Rijndael加密算法 objectARX 常用功能实现集合 高速以太网CRC校验的实现 转CRC算法原理及C语言实现 nios II 实验五数码管显示数字钟定时器实现 Matlab中单边谱FFT变换实现实例 触摸屏维修之故障分析 大功率直流电机调速电路 SMD元器件的符号阐述 Matlab C# Book 运算放大器连载一——如何避免振荡 电动机绕组的烘干方法 广告链接- 热门文章matlab7.0版2009下载及7.0序列号注册码 Matlab中如何编写S函数 matlab相关矩阵基本运算 Vista下如何安装Matlab
浅谈机械优化设计方法 发表时间：2019-08-29T14:17:25.640Z 来源：《基层建设》2019年第16期作者：钟文 [导读] 摘要：伴随着我国的经济发展越来越快，无疑给可优化性能设计带来巨大的挑战。 深圳市海目星激光智能装备股份有限公司 518110 摘要：伴随着我国的经济发展越来越快，无疑给可优化性能设计带来巨大的挑战。机械优化设计是近几年来发展起来的一门新的学科，在二十世纪中旬的时候开始，优化技术和计算机技术的兴起，在每个设计领域中被应用，为工程设计提供了重要的科学的设计方法。因此，对机械设计的优化方法加以分析，吸取精华，紧跟时代步伐，与国际同步，才能增强制造业在我国市场中的竞争压力。 关键词：机械；优化设计；方法特点 引言 当今是一个信息化的社会，科技发展速度非常快，人们对多功能产品不仅有强烈的需求，也需要产品必须具备相应的功能，可靠性优化设计由此应运而生，已经取得了飞速发展和广泛应用，即以时间、费用和性能为基础，将产品能得以可靠使用作为优先考虑的设计准则，进行设计和生产可靠的性能要求。因此，可靠性设计是诸多学科和技术的交融而新兴的一种技术。 1 机械优化的概述 机械优化是顺应时代发展而不断延伸出来的一种现代化的生产而发展兴起的。它是建立在数学规划的理论和计算通过有效的实验数据和科学的评价体系来从众多的设计方案中寻找到能够尽可能的完善和适宜的设计方案，在这机械优化的这个机械方面的研究和应用的发展速度都是非常的快速，并且在快速发展的过程中取得了非常显著的效果。 2 机械设计优化方法的分类及特点 2.1 无约束优化设计法 无约束优化设计是没有约束函数的优化设计。无约束可以分为两类，一类是利用目标函数的一阶或二阶导数的无约束优化方法；另一类是只利用目标函数值的无约束优化方法。 2.2 约束优化设计法 优化设计问题大多数是约束的优化问题，根据处理约束条件方法的不同可分为直接法和间接法。直接法常见的方法有复合形法、约束坐标轮换法和网络法等。其内涵是构造一个迭代过程，使每次的迭代点都在可行域中，同时逐步降低目标函数值，直到求得最优解。间接法常见的有惩罚函数法、增广乘子法。它是将约束优化问题转化成无约束优化问题，再通过无约束优化方法来求解，或者非线性优化问题转化成线性规划问题来处理。 2.3 遗传算法 遗传算法是一种非确定性的拟自然算法，它仿造自然界生物进化的规律，对一个随机产生的群体进行繁殖演变和自然选择，适者生存，不适者淘汰，如此循环往复，使群体素质和群体中个体的素质不断演化，最终收敛于全局最优解。最近几年中遗传算法在机械工程领域也开展了多方面的应用，主要表现在：机械结构优化设计；可靠性分析；故障诊断；参数辨识；机械方案设计。遗传算法尽管已解决了许多难题，但还存在许多问题，如算法本身的参数优化问题、如何避免过早收敛、如何改进操作手段或引入新的操作来提高算法的效率、遗传算法与其它优化算法的结合问题等。 2.4 蚁群算法 蚁群算法是受自然界中真实蚁群的集体行为的启发而提出的一种基于群体的模拟进化算法。蚁群算法对系统优化问题的数学模型没有很高的要求，只要可以显式表达即可，避免了导数等数学信息，使得优化过程更加简单，遍历性更好，适合非线性问题的求解。 2.5 模拟退火算法 模拟退火算法是一个全局最优算法，以优化问题的求解与物理系统退火过程的相似性为基础，适当的控制温度的下降过程实现模拟退火，从而达到求解全局优化问题的目的。模拟退火算法是一种通用的优化算法，用以求解不同的非线性问题；对不可微甚至不连续的函数优化，能以较大概率求得全局优化解；并且能处理不同类型的优化设计变量（离散的、连续的和混合型的）；不需要任何的辅助信息，对目标函数和约束函数没有任何要求。 3机械优化设计过程中的设计方式 众所周知，在机械方面的设计都是非常的复杂困难的，要对机械进行优化设计面临的挑战也是非常大的，但是由于机械领域中优化形式十分的广泛，相关的研究人员根据优化运算的形式进行划分，主要分为准则优化，其次是线性规划，最后是非线性规划三种。其中准则优化是一种传统的优化方式，这种方式没有通过机械优化设计的数学理论方式进行优化，而是通过物理学方面的分析得出相应的结果，这样的方式得出的结论往往是具备一定的主观性的，但是这样的传统的优化设计方式具有的优点就是可以直观的看到优化的概念，并且这种优化设计的方式相对来说也是比较简单的，并且能够充分的发挥出目标函数的最大功效，并且非常的符合传统的工程需要，但是同样具有一定的缺点，就是在效率上始终优点偏低。 线性规划就是依据数学的基础进行优化的方式，同样线性规划是机械优化设计中最重要的设计方式，但是线性规划的优化设计方式在通过数学的理论上进行设计存在着很多的缺陷，就是在针对多函数的时候就不能充分的发挥出功效，还有就是在计算的过程中，十分的复杂，结算量非常的大，导致了在效率上有很大的缺陷，所以通常情况下，线性规则的优化设计方式都没有被采用。那么非线性规划的优化设计方式是整个生产和生活中应用最广泛的优化方式，并且能够有效的推进机械优化设计的发展，并且可以利用数学模式的计算将非线性规划分为两种，一种是没有约束的直接设计方式，就是在利用机械优化设计方案中以及存在的数据和再生的数据最为基础来进行合理的分析，进而得到最佳的效果，还有一种就是没有约束但是比较间接的方法，这种方式就是前者的方式的数学模式计算改变成了数学原理作为基础，通过利用函数的特性进行计算，从而得到最优的方式，这种方式在整个的机械优化设计中是非常重要的组成部分。 4机械设计优化方法的选择 根据优化设计问题的特点（如约束问题），选择适当的优化方法是非常关键的，因为同一个问题可以有多种方法，而有的方法可能会导致优化设计的结果不符合要求。选择优化方法有四个基本原则：效率要高、可靠性要高、采用成熟的计算程序、稳定性要好。另外选择适当的优化方法还需要个人经验，深入分析优化模型的约束条件、约束函数及目标函数，根据复杂性、准确性等条件对它们进行正确的选
蚁群算法的改进与应用 摘要：蚁群算法是一种仿生优化算法，其本质是一个复杂的智能系统，它具有较强的鲁棒性、优良的分布式计算机制和易于与其他方法结合等优点。但是现在蚁群算法还是存在着缺点和不足,需要我们进一歩改进,如：搜索时间长、容易出现搜索停滞现象、数学基础还不完整。本文首先说明蚁群算法的基本思想,阐述了蚁群算法的原始模型及其特点，其次讨论如何利用遗传算法选取蚁群算法的参数，然后结合对边缘检测的蚁群算法具体实现过程进行研究分析，最后对本论文所做的工作进行全面总结,提出不足之处,并展望了今后要继续研究学习的工作内容。 关键词：蚁群算法;边缘检测;阈值;信息素;遗传算法; 1 前言 蚁群算法是近年来提出的一种群体智能仿生优化算法，是受到自然界中真实的蚂蚁群寻觅食物过程的启发而发现的。蚂蚁之所以能够找到蚁穴到食物之间的最短路径是因为它们的个体之间通过一种化学物质来传递信息，蚁群算法正是利用了真实蚁群的这种行为特征，解决了在离散系统中存在的一些寻优问题。该算法起源于意大利学者 Dorigo M 等人于 1991 年首先提出的一种基于种群寻优的启发式搜索算法，经观察发现，蚂蚁在寻找食物的过程中其自身能够将一种化学物质遗留在它们所经过的路径上，这种化学物质被学者们称为信息素。这种信息素能够沉积在路径表面，并且可以随着时间慢慢的挥发。在蚂蚁寻觅食物的过程中，蚂蚁会向着积累信息素多的方向移动，这样下去最终所有蚂蚁都会选择最短路径。该算法首先用于求解著名的旅行商问题（Traveling Salesman Problem，简称 TSP）并获得了较好的效果，随后该算法被用于求解组合优化、函数优化、系统辨识、机器人路径规划、数据挖掘、网络路由等问题。 尽管目前对 ACO 的研究刚刚起步，一些思想尚处于萌芽时期，但人们已隐隐约约认识到，人类诞生于大自然，解决问题的灵感似乎也应该来自大自然，因此越来越多人开始关注和研究 ACO，初步的研究结果已显示出该算法在求解复杂优化问题（特别是离散优化问题）方面的优越性。虽然 ACO 的严格理论基础尚未奠定，国内外的有关研究仍停留在实验探索阶段，但从当前的应用效果来看，这种自然生物的新型系统寻优思想无疑具有十分光明的前景。但该算法存在收敛速度慢且容易出现停滞现象的缺点，这是因为并不是所有的候选解都是最优解，而候选解却影响了蚂蚁的判断以及在蚂蚁群体中，单个蚂蚁的运动没有固定的规则，是随机的，蚂蚁与蚂蚁之间通过信息素来交换信息，但是对于较大规模的优化问题，这个信息传递和搜索过程比较繁琐，难以在较短的时间内找到一个最优的解。 由于依靠经验来选择蚁群参数存在复杂性和随机性,因此本文最后讨论如何利用遗传算法选取蚁群算法的参数。遗传算法得到的蚁群参数减少了人工选参的不确定性以及盲目性。 2 基本蚁群算法 2.1 蚁群算法基本原理 根据仿生学家的研究结果表明,单只蚂蚁不能找到从巢穴到食物源的最短路 径,而大量蚂蚁之间通过相互适应与协作组成的群体则可以,蚂蚁是没有视觉的,但是是通过蚂蚁在它经过的路径上留下一种彼此可以识别的物质,叫信息素,来相互传递信息,达到协作的。蚂蚁在搜索食物源的过程中,在所经过的路径上留下信息素,同时又可以感知并根据信息素的浓度来选择下一条路径,一条路径上的浓度越浓,蚂蚁选择该条路径的概率越大,并留下信息素使这条路径上的浓度加强,这样会有更多的蚂蚁选择次路径。相反,信息素浓度少的路
基于蚁群算法的旅行商问题解决方案 一引言 旅行商问题（TSP, Traveling Salesman Problem）是在1859年由威廉·汉密尔顿爵士首次提出的，它是物流领域中的典型问题，这个问题的求解具有十分重要的理论和现实意义。所谓TSP问题是指：有N个城市，要求旅行商到达每个城市各一次，且仅一次，并回到起点，且要求旅行路线最短。这是一个典型的优化问题，对一个具有中等顶点规模的图来说，精确求解也是很复杂的，计算量随着城市个数的增加而呈指数级增长，即属于所谓的NP问题。TSP在工程领域有着广泛的应用，并常作为比较算法性能的标志。如网络通讯、货物运输、电气布线、管道铺设、加工调度、专家系统、柔性制造系统等方面，都是TSP广泛应用的领域。求解算法包括贪婪法（GM）、极小代数法（MA）、模拟退火法（SA）和遗传算法（GA）等。而应用蚁群算法求解旅行商问题是近年来研究的新方向，由于其并行性与分布性，特别适用于大规模启发式搜索，实验结果证明了其可行性和有效性。 二蚁群系统基本原理 在蚂蚁群找到食物时，它们总能找到一条从食物到巢穴之间的最优路径。这是因为蚂蚁在寻找路径时会在路径上释放出一种特殊的信息素（phero-mone）。当它们碰到一个还没有走过的路口时，就随机地挑选一条路径前行。与此同时释放出与路径长度有关的信息素。路径越长，释放的激素浓度越低。当后来的蚂蚁再次碰到这个路口的时候，选择激素浓度较高路径概率就会相对较大。这样形成了一个正反馈。最优路径上的激素浓度越来越大，而其它的路径上激素浓度却会随着时间的流逝而消减。最终整个蚁群会找出最优路径。在整个寻径过程中，虽然单个蚂蚁的选择能力有限，但是通过激素的作用，整个蚁群之间交换着路径信息，最终找出最优路径。 三基于蚁群算法的旅行商问题求解方案 TSP问题描述如下： 设有n个城市C=（1，2,...,n），任意两个城市i，j之间的距离为d ij ，求一条经过每个城市的路径π=（π（1），π（2），...，π（n）），使得距离最小。
摘要 自意大利学者M. Dorigo于1991年提出蚁群算法后，该算法引起了学者们的极大关注，在短短十多年的时间里，已在组合优化、网络路由、函数优化、数据挖掘、机器人路径规划等领域获得了广泛应用，并取得了较好的效果。本文首先讨论了该算法的基本原理，接着介绍了旅行商问题，然后对蚁群算法及其二种改进算法进行了分析，并通过计算机仿真来说明蚁群算法基本原理，然后分析了聚类算法原理和蚁群聚类算法的数学模型，通过调整传统的蚁群算法构建了求解聚类问题的蚁群聚类算法。最后，本文还研究了一种依赖信息素解决聚类问题的蚁群聚类算法，并把此蚁群聚类算法应用到对人工数据进行分类，还利用该算法对2005年中国24所高校综合实力进行分类，得到的分类结果与实际情况相符，说明了蚁群算法在聚类分析中能够收到较为理想的结果。 【关键词】蚁群算法；计算机仿真；聚类；蚁群聚类
Study on Ant Colony Algorithm and its Application in Clustering Abstract： As the ant colony algorithm was proposed by M. Dorigo in 1991,it bringed a extremely large attention of scholars, in past short more than ten years, optimized, the network route, the function in the combination optimizes, domains and so on data mining, robot way plan has obtained the widespread application, and has obtained the good effect.This acticle discussed the basic principle of it at first, then introduced the TSP,this acticle also analysed the ant colony algorithm and its improved algorithm, and explanated it by the computer simulates, then it analysed the clustering algorithm and the ant clustering algorithm, builded the ant clustering algorith to solution the clustering by the traditioned ant algorithm. At last, this article also proposed the ant clustering algorith to soluted the clustering dependent on pheromon. Carry on the classification to the artificial data using this ant clustering algorithm; Use this algorithm to carry on the classification of the synthesize strength of the 2005 Chinese 24 universities; we can obtain the classified result which matches to the actual situation case. In the next work, we also should do the different cluster algorithm respective good and bad points as well as the classified performance aspect the comparison research; distinguish the different performance of different algorithm in the analysis when the dates are different. Key words： Ant colony algorithm; Computer simulation; clustering; Ant clustering 目录
2.1 蚁群算法的基本原理 蚁群优化算法是模拟蚂蚁觅食的原理，设计出的一种群集智能算法。蚂蚁在觅食过程中能够在其经过的路径上留下一种称之为信息素的物质，并在觅食过程中能够感知这种物质的强度，并指导自己行动方向，它们总是朝着该物质强度高的方向移动，因此大量蚂蚁组成的集体觅食就表现为一种对信息素的正反馈现象。某一条路径越短，路径上经过的蚂蚁越多，其信息素遗留的也就越多，信息素的浓度也就越高，蚂蚁选择这条路径的几率也就越高，由此构成的正反馈过程，从而逐渐的逼近最优路径，找到最优路径。 蚂蚁在觅食过程时，是以信息素作为媒介而间接进行信息交流，当蚂蚁从食物源走到蚁穴，或者从蚁穴走到食物源时，都会在经过的路径上释放信息素，从而形成了一条含有信息素的路径，蚂蚁可以感觉出路径上信息素浓度的大小，并且以较高的概率选择信息素浓度较高的路径。 (a) 蚁穴 1 2 食物源 A B (b) 人工蚂蚁的搜索主要包括三种智能行为： （1）蚂蚁的记忆行为。一只蚂蚁搜索过的路径在下次搜索时就不再被该蚂蚁选择，因此在蚁群算法中建立禁忌表进行模拟。 （2）蚂蚁利用信息素进行相互通信。蚂蚁在所选择的路径上会释放一种信息素的物质，当其他蚂蚁进行路径选择时，会根据路径上的信息素浓度进行选择，这样信息素就成为蚂蚁之间进行通信的媒介。 （3）蚂蚁的集群活动。通过一只蚂蚁的运动很难达到事物源，但整个蚁群进行搜索就完全不同。当某些路径上通过的蚂蚁越来越多时，路径上留下的信息素数量也就越多，导致信息素强度增大，蚂蚁选择该路径的概率随之增加，从而进一步增加该路径的信息素强度，而通过的蚂蚁比较少的路径上的信息素会随着时间的推移而挥发，从而变得越来越少。3.3.1蚂蚁系统 蚂蚁系统是最早的蚁群算法。其搜索过程大致如下： 在初始时刻，m 只蚂蚁随机放置于城市中， 各条路径上的信息素初始值相等，设为：0(0)ij ττ=为信息素初始值，可设0m m L τ=，m L 是由最近邻启发式方法构 造的路径长度。其次，蚂蚁(1,2,)k k m = ，按照随机比例规则选择下一步要转
浅谈《十滴水》——人工智能搜索 测试此搜索算法平均比网上能搜索到的同类算法答案每局优0~2滴水，未出现过答案劣于网上同类算法的情况，可能存在一些小漏洞导致的答案偏差，欢迎广大神犇指正。 核心思想： 先对确定劣质的搜索树进行剪枝，然后通过类人工智能的方法向分析出的能得到最优解的概率大的方向进行搜索，通过分析函数来构造搜索方向，通过状态树调控函数来调控状态树的平均规模，来统筹时间和准确度，通过智能构造答案序列函数来对搜索成果进行最大限度的优化，由于最优解的不唯一性和大量性，选择抛弃搜索全部状态而选用概率性全局剪枝的方法，在小概率选择期望值小的方向，绝对优势概率选择预估最优方向的基础上，通过剪去不理想的局面进行非确定性搜索，虽然不能保证搜索到的解全是最优的，但是由于人工智能的方法对搜索方向，搜索树，答案序列的处理，将随机搜索的错误概率降到了非常低的状态，此算法搜索时间和搜索精确地类似的成反比，通过多次实验调试后的人工智能参数，证明搜索到非最优解的概率与剪枝率成对数关系并稳定到千分之一，并且所得的答案与标准答案差 超过1的概率小到百万分之一。 本算法的核心函数； 1、渗透《蚁群算法》《遗传算法》思想的概率性淘汰和创新函数 2、渗透《模糊图像识别》思想的获取水滴图像密集度参数函数 3、智能答案序列启发式优化函数 4、智能调控搜索树状态函数 5、智能交互式判断函数 6、《十滴水》模拟函数 主要流程： 输入数据-> { 获取当前局面的价值评价-> 抽取状态样本-> 搜索出一个解-> 搜索树智能调控-> 智能优化解到局部最优解-> } 输出数据 ————————————————算·法·详·解———————————————————— 下面我来详细讲解一下核心函数的思想方法和特殊的智能处理： 一、输入函数 本部分加入了大量的特判来对付极端数据对程序的危害，也是本程序最简单的部分，加入的特判有：输入越界判断，输入非法字符判断 二、输出函数 本部分是所有函数中第二简单的函数，本部分先判断不需要操作的局面，之后是输出20组答案序列，在每个序列以坐标方式输出后，会对局面进行模拟来使得用于选择一种喜欢的顺序进行操作 三、启发函数一：密集度模糊式启发函数