前言 1
第1章 蚁群算法的由来 1
1.1群体智能及典型算法实现 1
1.2基本蚁群算法的起源 2
1.3蚁群个体的运动规则 3
1.4实例说明及应用状况 4
1.5蚁群算法的研究及应用领域纵览 7
1.5.1适用于离散空间优化问题的蚁群算法 8
1.5.2蚁群算法的改进 9
1.5.3蚁群算法的工程应用 11
1.6蚁群算法的总体特征及作者的工作 12
第2章 蚁群算法的研究成果 13
2.1基本蚁群算法的提出和分析 13
2.2蚁群算法的改进综述 15
2.2.1最大最小蚁群系统 15
2.2.2多重蚁群算法 16
2.2.3具有变异特征的蚁群算法 16
2.2.4自适应蚁群算法 17
2.2.5蚁群算法的收敛性研究 17
2.3蚁群算法与其他智能算法的结合 18
2.2.6新的蚁群算法研究思路 18
2.4蚁群算法的仿真和实现 19
2.4.1蚁群的行为模型及模拟 19
2.4.2蚁群算法的动态仿真分析 20
2.4.3蚁群算法的仿真实现 20
第3章 蚁群算法的应用综述 23
3.1优化问题求解 23
3.1.1组合优化问题求解领域 23
3.1.2调度问题求解领域 26
3.1.3规划问题求解领域 29
3.1.4约束优化问题求解 30
3.1.5连续空间优化问题求解 31
3.1.6二次指派问题求解 32
3.1.7着色问题求解 33
3.2基于蚁群算法的交通过程建模及规划问题求解 33
3.2.1交通过程建模 33
3.2.2交通过程优化及导航 34
3.2.3车辆路线规划问题求解 34
3.3计算机领域 35
3.3.1专家系统问题求解 35
3.3.2计算机图形学领域 36
3.3.3数据挖掘和数据高层综合问题研究 36
3.3.4计算机网络管理和移动计算 37
3.4机器人设计及控制 38
3.4.1机器人设计 38
3.4.2机器人控制及协调 39
3.4.3移动式机器人导航 40
3.5电力系统应用 40
3.5.1电力系统优化 40
3.5.2电力系统负荷分配及调度 42
3.5.3发电规划及调度问题求解 42
3.6.1路由选择及负载、资源配置问题 44
3.6通信领域 44
3.5.4电力系统故障分析 44
3.6.2移动计算 45
3.6.3天线阵列控制 46
3.6.4智能网络控制 46
3.6.5相关模块设计和系统综合 47
3.7化工领域 48
3.8工程应用领域 49
3.8.1制造过程控制及优化 49
3.8.2工程设计问题求解 49
3.8.3工程设计 51
3.8.4其他工程应用领域 52
3.9蚁群算法的应用特征 54
第4章 蚁群算法的具体描述及改进 57
4.1基本蚁群算法思路 57
4.2用于求解旅行商问题的蚁群算法定义 59
4.3蚁群算法的改进思路 64
4.4蚁群算法改进实例 66
4.4.1最大最小蚁群算法 66
4.4.2具有变异和分工特征的蚁群算法 69
4.4.2.1对选择策略的改进 69
4.4.2.3引入变异 70
4.4.2.2蚁群信息量的全局修正 70
4.4.2.4蚁群分工 71
4.4.3随机扰动蚁群算法 72
4.4.3.1基本原理 72
4.4.3.2参数选取 73
4.4.4自适应蚁群算法 74
4.4.4.1聚度和信息权重 74
4.4.4.2自适应的信息量更新策略 80
4.4.5动态蚁群算法 82
4.4.5.1权函数 82
4.4.5.3最优、最差路径信息素全局更新 83
4.4.5.2动态挥发因子 83
4.4.6蚁群算法的并行实现 84
4.4.7具有感觉和知觉特征的蚁群算法 86
4.4.7.1蚂蚁搜索的初始阶段 86
4.4.7.2蚂蚁搜索的中间阶段 87
4.4.7.3蚂蚁搜索的结束阶段 90
4.4.7.4算法框架 91
4.4.7.5自适应的信息量更新策略 92
4.5广义蚁群算法及收敛性分析 94
4.5.1广义蚁群算法的基本步骤 94
4.5.2广义蚁群算法收敛的充分条件 97
5.1Flowshop调度优化问题求解 101
第5章 基于蚁群算法的典型优化问题求解模式 101
5.1.1求解Flowshop调度问题的算法框架描述 102
5.1.1.1解构造过程 102
5.1.1.2信息素更新模式 105
5.1.1.3局部搜索（Local Search） 107
5.2约束优化问题求解 110
5.2.1引言 110
5.2.2背景 112
5.2.3Ant-Solver算法描述 114
5.3.1问题介绍 118
5.3用于二次配置问题求解的蚁群算法 118
5.3.2用于二次配置问题求解的蚁群算法 119
5.3.3基本算法流程 123
5.4多选择背包问题求解及应用 125
5.4.1多选择背包问题基本模型 125
5.4.2蚁群系统求解多选择背包问题 126
5.4.3求解背包问题的具体蚁群算法框架 127
5.4.4仿真结果分析 128
6.1机器人领域 131
6.1.1总体思路 131
第6章 蚁群算法的典型应用 131
6.1.2路径的生成（Building of Path） 132
6.1.3相关蚁群算法的定义 133
6.1.3.1目标函数的建立 134
6.1.3.2路径点的选择 135
6.1.3.3信息素的更新 135
6.1.4所定义的蚁群算法流程 136
6.2交通运输规划问题求解 136
6.2.1总体思路 137
6.2.2相应蚁群算法的设计思路 137
6.2.3具体的蚁群算法流程 139
6.2.4实例运算结果 140
6.3集成电路布线设计 141
6.3.1问题描述 142
6.3.2问题的连接图模式 143
6.3.3基于连接图模型的蚁群算法实现 144
6.4基于蚁群算法的神经网络训练 146
6.4.1基本原理 146
6.4.2基于蚁群算法的最优参数搜寻步骤 147
6.5电力系统机组组合问题求解 148
6.5.1总体思路 148
6.5.2最优机组组合问题的数学模型 149
6.5.3随机扰动蚁群优化算法 151
6.5.4参数选取 152
6.5.5随机扰动蚁群优化算法在机组最优组合中的应用 153
6.5.5.1机组组合问题的动态模型 153
6.5.5.2等式和不等式约束的处理 155
6.5.5.3算法流程图 156
6.6基于蚁群算法的多播路由算法 156
6.6.1算法模型 158
6.6.2算法的改进 159
6.7.1背景介绍 161
6.7蚁群算法在数据挖掘中的应用 161
6.7.2用于数据挖掘的蚁群算法 162
6.7.2.1挖掘蚂蚁概述 162
6.7.2.2启发函数 166
6.7.2.3规则修改 168
6.7.2.4信息素更新 168
第7章 蚁群算法拓展及应用 171
7.1引言 171
7.2用于连续空间寻优的蚁群算法 171
7.2.1用于离散空间寻优的蚁群算法概述 171
7.2.2用于连续空间寻优的蚁群算法定义原则 173
7.2.3用于连续空间寻优的蚁群算法定义 175
7.2.4函数寻优实例研究 179
7.3用于多维连续空间内系统参数辨识的蚁群算法 183
7.3.1基本模式 183
7.3.2实例研究 189
7.4蚁群算法的总体特征及相关参数选取原则 193
第8章 总结 195
8.1我们对蚁群算法的认识 195
8.2群体智能——未来的发展方向 196
参考文献 199