㈠ 蚁群算法，退火算法这些东西究竟属于什么，这些东西要从哪里才能系统学习
第1章绪论
1.1蚂蚁的基本习性
1.1.1蚂蚁的信息系统
1.1.2蚁群社会的遗传与进化
1.2蚁群觅食行为与觅食策略
1.2.1蚂蚁的觅食行为
1.2.2蚂蚁的觅食策略
1.3人工蚁群算法的基本思想
1.3.1人工蚁与真实蚂蚁的异同
1.3.2人工蚁群算法的实现过程
1.4蚁群优化算法的意义及应用
1.4.1蚁群优化算法的意义
l.4.2蚁群算法的应用
1.5蚁群算法的展望
第2章蚂蚁系统——蚁群算法的原型
2.1蚂蚁系统模型的建立
2.2蚁量系统和蚁密系统的模型
2.3蚁周系统模型
第3章改进的蚁群优化算法
3.1带精英策略的蚂蚁系统
3.2基于优化排序的蚂蚁系统
3.3蚁群系统
3.3.1蚁群系统状态转移规则
3.3.2蚁群系统全局更新规则
3.3.3蚁群系统局部更新规则
3.3.4候选集合策略
3.4最大一最小蚂蚁系统
3.4.1信息素轨迹更新
3.4.2信息素轨迹的限制
3.4.3信息素轨迹的初始化
3.4.4信息素轨迹的平滑化
3.5最优一最差蚂蚁系统
3.5.1最优一最差蚂蚁系统的基本思想
3.5.2最优一最差蚂蚁系统的工作过程
第4章蚁群优化算法的仿真研究
4.1蚂蚁系统三类模型的仿真研究
4.1.1三类模型性能的比较
4.2.2基于统计的参数优化
4.2基于蚁群系统模型的仿真研究
4.2.1局部优化算法的有效性
4.2.2蚁群系统与其他启发算法的比较
4.3最大一最小蚂蚁系统的仿真研究
4.3.1信息素轨迹初始化研究
4.3.2信息素轨迹量下限的作用
4.3.3蚁群算法的对比
4.4最优一最差蚂蚁系统的仿真研究
4.4.1参数ε的设置
4.4.2几种改进的蚁群算法比较
第5章蚁群算法与遗传、模拟退火算法的对比
5.1遗传算法
5.1.1遗传算法与自然选择
5.1.2遗传算法的基本步骤
5.1.3旅行商问题的遗传算法实现
5.2模拟退火算法
5.2.1物理退火过程和Metroplis准则
5.2.2模拟退火法的基本原理
5.3蚁群算法与遗传算法、模拟退火算法的比较
5.3.1三种算法的优化质量比较
5.3.2三种算法收敛速度比较
5.3.3三种算法的特点与比较分析
第6章蚁群算法与遗传、免疫算法的融合
6.1遗传算法与蚂蚁算法融合的GAAA算法
6.1.1遗传算法与蚂蚁算法融合的基本思想
……
第7章自适应蚁群算法
第8章并行蚁群算法
第9章蚁群算法的收敛性与蚁群行为模型
第10章蚁群算法在优化问题中的应用
附录
参考文献
㈡ 自适应蚁群算法在MATLAB中怎么实现我在网上看了些代码，不知道怎么定义函数的，求算法的具体步骤
首先确定xyz的范围，比如说xyz都是从1到10，那么
[x,y,z]=meshgrid(1:10);
这时x，y，z都是3维矩阵，因此后面无法进行乘法运算是吧。因此函数没法写。你是这个地方卡住了是吧？？？
可以这样解决：
x=x(:);y=y(:);z=z(:);这样将xyz变成向量。就可以像平时一样定义函数了。
㈢ 用蚁群算法求函数f(x,y)=+-((x2++y-+1)+(x+y3-+-7)2)+/200+10
蚁群算法是一种基于模拟蚂蚁在寻找食物过程中的行为模式来求解优化问题的算法。对于这个函数f(x,y)=±((x2+y±1)+(x+y3±7)2)/200+10，我们可以利用蚁群算法来求其最小值，具体步骤如下：
初始化一组蚂蚁，并随机生成一个二元组 (x,y)作键神银为起始点。
设置蚁群算法的一些参数，如迭代次数，最大和最小信息素浓度，信息素挥发因子等。
对于每只蚂蚁，计算其在当前位置 (x,y)下能够走到的所有可能的邻居点，并根据一定的策略（如轮盘赌选择法）选择下一个稿宴要到达的点。
更新每只蚂蚁所经过的路径信息素浓度，使其与走过的路径长度成反比关系。
更新全局最优解，记录当前所有蚂蚁中走过路径 f(x,y) 最小的那一个。
更新信息素浓度，增加路径瞎哗 f(x,y) 对信息素浓度的影响，同时根据一定的规则挥发部分信息素。
判断是否满足停止条件（如迭代次数或全局最优解的精度已经达到预设值），如果未满足，则回到第3步，否则输出全局最优解。
需要注意的是，由于本函数存在两个算符可以取正或者取负，不同的取值会导致函数的最小值位置出现变化。因此需要对全局最优解进行记录，对于每个算符取值进行多次蚂蚁搜索，最终得到两种情况下的最小值，并进行比较。
㈣ 基本蚁群算法-蚂蚁觅食路径的演变
高清完整版： http://www.acfun.cn/v/ac4623849
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，并指导自己的行动方向，它们总是朝着 信息素 强度高的方向移动，因此大量的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。
某一条路径越短卜陆，路径上经过的蚂蚁就越多，其信息素遗留的也就越多，信息素的浓度也就越高，蚂蚁选择这条路的几率也就越高，由此构成正反馈的过程，从而逐渐地逼近最优路径，并找到最优路径。
算法简要流程 ：
（1）初始化。
（2）选择从初始节点下一步可以到达的所有节点，根据公式
（3）更新路径以及路径长度。
（4）重复（2）,（3）两步，直到找到食物或者无路可走之后退出。
（5）重复（2）,（3）,（4）直到m只蚂蚁全部完成旅途，一代算是结束。
（6）信息素更新。每次所有蚂蚁旅行完成后对信息素进行全局更新，过去的信息素逐庆郑渐消逝，并加入新誉弊颂的信息素。其中没有找到食物的蚂蚁不予以计算。根据公式
（7）重复（2）~（6），直到n代蚂蚁全部完成旅行。
地图信息
算法开始前的初始化工作和要用到的公式函数：
算法开始
㈤ 蚁群算法求函数最大值
这里使用蚁群算法求函数的最大值，函数是：
步骤如下：
下面是主函数：
程序运行结果绘图如下，其中蓝色点为第一代蚁群，红色为最后一代蚁群：
函数说明如下：
下面计算函数的状态转移概率，进行局部搜索和全局搜索：
之后约束边界：
最后进行选择：
初始化蚁群函数：
计算目标函数值函数：
绘制函数图像函数：
㈥ 蚁群算法求函数的最小值
未定义链告函数或变量 'max_global'神含。
出错 ant_main_program (line 107)
if max_local(i_ger) > max_global(i_ger-1)
怎游唤笑么解决
㈦ 科学家如何把蚂蚁的信息素转换为数学公式
分类: 理工学科
问题描述:
昨天看纪实频道,他说蚂蚁公式可以更方便的调节交通,运输等,我很好奇,请问下哪位知道,蚂蚁公式是什么样的?而且怎么转换的啊?谢谢了
解析:
看样子楼主已经知道了信息素这个概念，在此我也不赘述了。
目前蚁群算法主要用在组合优化方面，基本蚁群算法的思路是这样的：
1. 在初始状态下，一群蚂蚁外出，此时没有信息素，那么各自会随机的选择一条路径。
2. 在下一个状态，每只蚂蚁到达了不同的点，从初始点到这些点之间留下了信息素，蚂蚁继续走，已经到达目标的蚂蚁开始返回，与此同时，下一批蚂蚁出动，它们都会按照各条路径上信息素的多少选择路线(selection)，更倾向于选择信息素多的路径走（当然也有随机性）。
3. 又到了再下一个状态，刚刚没有蚂蚁经过的路线上的信息素不同程度的挥发掉了(evaporation)，而刚刚经过了蚂蚁的路线信息素增强(reinforcement)。然后又出动一批蚂蚁，重复第2个步骤。
每个状态到下一个状态的变化称为一次迭代，在迭代多次过后，就会有某一条路径上的信息素明显多于其它路径，这通常就是一条最优路径。
关键的部分在于步骤2和3：
步骤2中，每只蚂蚁都要作出选择，怎样选择呢？
selection过程用一个简单的函数实现：
蚂蚁选择某条路线的概率＝该路线上的信息素÷所有可选择路线的信息素之和
假设蚂蚁在i点，p(i,j)表示下一次到达j点的概率，而τ(i,j)表示ij两点间的信息素，则：
p(i,j)＝τ(i,j)/∑τ(i)
（如果所有可选路线的信息素之和∑τ(i)＝0，即前面还没有蚂蚁来过，概率就是一个[0,1]上的随机值，即随机选择一条路线）
步骤3中，挥发和增强是算法的关键所在（也就是如何数学定义信息素的）
evaporation过程和reinforcement过程定义了一个挥发因子，是迭代次数k的一个函数
ρ(k)＝1－lnk/ln(k+1)
最初设定每条路径的信息素τ(i,j,0)为相同的值
然后，第k+1次迭代时，信息素的多少
对于没有蚂蚁经过的路线：τ(i,j,k+1)＝(1－ρ(k))τ(i,j,k)，显然信息素减少了
有蚂蚁经过的路线：τ(i,j,k+1)＝(1－ρ(k))τ(i,j,k)＋ρ(k)/|W|，W为所有点的 ***
为什么各个函数要如此定义，这个问题很难解释清楚，这也是算法的精妙所在。如此定义信息素的挥发和增强，以及路径选择，根据马尔可夫过程（随机过程之一）能够推导出，在迭代了足够多次以后，算法能够收敛到最佳路径。
组合优化很有意思的，像禁忌搜索、模拟退火、蚁群算法、遗传算法、神经网络这些算法能够解决很多生活中的实际问题，楼主有空可以招本书看看。
㈧ 基于蚁群算法求解不确定TSP问题的源程序
好难啊
㈨ 如何用蚁群算法来计算固定时间内走更多的城市且路程最短
概念：蚁群算法(ant colony optimization,ACO),又称蚂蚁算法,是一种用来在图中寻找优化路径的机率型算法.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.针对PID控制器参数优化设计问题,将蚁群算法设计的结果与遗传算法设计的结果进行了比较,数值仿真结果表明,蚁群算法具有一种新的模拟进化优化方法的有效性和应用价值
其原理：为什么小小的蚂蚁能够找到食物?他们具有智能么?设想,如果我们要为蚂蚁设计一个人工智能的程序,那么这个程序要多么复杂呢?首先,你要让蚂蚁能够避开障碍物,就必须根据适当的地形给它编进指令让他们能够巧妙的避开障碍物,其次,要让蚂蚁找到食物,就需要让他们遍历空间上的所有点；再次,如果要让蚂蚁找到最短的路径,那么需要计算所有可能的路径并且比较它们的大小,而且更重要的是,你要小心翼翼的编程,因为程序的错误也许会让你前功尽弃.这是多么不可思议的程序!太复杂了,恐怕没人能够完成这样繁琐冗余的程序
应用范围：蚂蚁观察到的范围是一个方格世界,蚂蚁有一个参数为速度半径（一般是3）,那么它能观察到的范围就是3*3个方格世界,并且能移动的距离也在这个范围之内
引申：跟着蚂蚁的踪迹,你找到了什么?通过上面的原理叙述和实际操作,我们不难发现蚂蚁之所以具有智能行为,完全归功于它的简单行为规则,而这些规则综合起来具有下面两个方面的特点：1、多样性 2、正反馈 多样性保证了蚂蚁在觅食的时候不置走进死胡同而无限循环,正反馈机制则保证了相对优良的信息能够被保存下来.我们可以把多样性看成是一种创造能力,而正反馈是一种学习强化能力.正反馈的力量也可以比喻成权威的意见,而多样性是打破权威体现的创造性,正是这两点小心翼翼的巧妙结合才使得智能行为涌现出来了.引申来讲,大自然的进化,社会的进步、人类的创新实际上都离不开这两样东西,多样性保证了系统的创新能力,正反馈保证了优良特性能够得到强化,两者要恰到好处的结合.如果多样性过剩,也就是系统过于活跃,这相当于蚂蚁会过多的随机运动,它就会陷入混沌状态；而相反,多样性不够,正反馈机制过强,那么系统就好比一潭死水.这在蚁群中来讲就表现为,蚂蚁的行为过于僵硬,当环境变化了,蚂蚁群仍然不能适当的调整.既然复杂性、智能行为是根据底层规则涌现的,既然底层规则具有多样性和正反馈特点,那么也许你会问这些规则是哪里来的?多样性和正反馈又是哪里来的?我本人的意见：规则来源于大自然的进化.而大自然的进化根据刚才讲的也体现为多样性和正反馈的巧妙结合.而这样的巧妙结合又是为什么呢?为什么在你眼前呈现的世界是如此栩栩如生呢?答案在于环境造就了这一切,之所以你看到栩栩如生的世界,是因为那些不能够适应环境的多样性与正反馈的结合都已经死掉了,被环境淘汰了!蚁群算法的实现 下面的程序开始运行之后,蚂蚁们开始从窝里出动了,寻找食物；他们会顺着屏幕爬满整个画面,直到找到食物再返回窝.其中,‘F’点表示食物,‘H’表示窝,白色块表示障碍物,‘+’就是蚂蚁了.
㈩ 蚁群算法如何设置起始点和终点
蚁群算法可以用于路径规划，在本例中，地形矩阵用0表示无障碍物、用1表示有障碍物，机器人从1x1处走到10x10处，使用蚁群算法找最短路径。
步骤如下：
初始化参数、地形矩阵、信息素矩阵和启发式因子矩阵。启发式因子矩阵中一点的值为该点到终点距离的倒数，距离越短，启发式因子越大，障碍物处的启发式因子为0。信息素矩阵被初始化为一个统一的值。
竖桐逗余卖在本例中，将一条路径表示如下：[路径长度点1点2……]，例如[21200]表示该路径长度为2，路径为[12]。
对每次迭代中的每只蚂蚁，进行如下3步，直至到达终点或者陷入死胡同：
创建一个禁忌矩阵，禁忌矩阵中已经访问过的点为0，其余点与启发式因子矩阵中相应点的值相同。
设置初始点，根据信息素、启发式因子、禁忌表，通过轮盘赌方法，选择下轮和一个城市。
更新路径和禁忌矩阵。
每次迭代后，更新信息素，只对最优路径中的点进行增加信息素操作。
迭代，直至结束。