目录 1
第1章 绪论 1
1.1 蚂蚁的基本习性 1
1.1.1 蚂蚁的信息系统 1
1.1.2 蚁群社会的遗传与进化 2
1.2 蚁群觅食行为与觅食策略 2
1.2.1 蚂蚁的觅食行为 2
1.2.2 蚂蚁的觅食策略 3
第7章 自适应蚁群算法 8
1.3 人工蚁群算法的基本思想 14
1.3.1 人工蚁与真实蚂蚁的异同 15
1.3.2 人工蚁群算法的实现过程 17
1.4.1 蚁群优化算法的意义 18
1.4 蚁群优化算法的意义及应用 18
1.4.2 蚁群算法的应用 19
1.5 蚁群算法的展望 21
第2章 蚂蚁系统——蚁群算法的原型 22
2.1 蚂蚁系统模型的建立 22
2.2 蚁量系统和蚁密系统的模型 24
2.3 蚁周系统模型 26
第3章 改进的蚁群优化算法 29
3.1 带精英策略的蚂蚁系统 29
3.2 基于优化排序的蚂蚁系统 30
3.3 蚁群系统 31
3.3.1 蚁群系统状态转移规则 32
3.3.2 蚁群系统全局更新规则 33
3.3.3 蚁群系统局部更新规则 33
3.3.4 候选集合策略 33
3.4 最大-最小蚂蚁系统 35
3.4.1 信息素轨迹更新 35
3.4.2 信息素轨迹的限制 36
3.4.3 信息素轨迹的初始化 37
3.5 最优-最差蚂蚁系统 38
3.5.1 最优-最差蚂蚁系统的基本思想 38
3.4.4 信息素轨迹的平滑化 38
3.5.2 最优-最差蚂蚁系统的工作过程 39
第4章 蚁群优化算法的仿真研究 41
4.1 蚂蚁系统三类模型的仿真研究 42
4.1.1 三类模型性能的比较 42
4.2.2 基于统计的参数优化 42
4.2 基于蚁群系统模型的仿真研究 46
4.2.1 局部优化算法的有效性 46
4.2.2 蚁群系统与其他启发算法的比较 47
4.3 最大-最小蚂蚁系统的仿真研究 48
4.3.1 信息素轨迹初始化研究 48
4.3.2 信息素轨迹量下限的作用 50
4.3.3 蚁群算法的对比 50
4.4 最优-最差蚂蚁系统的仿真研究 51
4.4.1 参数ε的设置 51
4.4.2 几种改进的蚁群算法比较 52
5.1 遗传算法 53
5.1.1 遗传算法与自然选择 53
第5章 蚁群算法与遗传、模拟退火算法的对比 53
5.1.2 遗传算法的基本步骤 54
5.1.3 旅行商问题的遗传算法实现 55
5.2 模拟退火算法 57
5.2.1 物理退火过程和Metropolis准则 57
5.2.2 模拟退火法的基本原理 58
5.3 蚁群算法与遗传算法、模拟退火算法的比较 59
5.3.1 三种算法的优化质量比较 59
5.3.2 三种算法收敛速度比较 59
5.3.3 三种算法的特点与比较分析 61
第6章 蚁群算法与遗传、免疫算法的融合 63
6.1 遗传算法与蚂蚁算法融合的GAAA算法 63
6.1.1 遗传算法与蚂蚁算法融合的基本思想 63
6.1.2 GAAA算法中遗传算法的结构原理 63
6.1.3 GAAA算法中蚂蚁算法的设计 64
6.1.4 GAAA算法对TSP问题的仿真结果 65
6.2.1 ASGA系统 68
6.2 同遗传算法整合的蚂蚁系统ASGA 68
6.2.2 利用ASGA的寻径方法 70
6.2.3 寻径问题的AS解决方法 71
6.3 具有变异特征的蚁群算法 72
6.3.1 基本蚁群算法的分析 72
6.3.2 具有变异特征的蚁群算法 72
6.3.3 具有变异特征的蚁群算法实验结果 73
6.4 基于免疫的蚁群优化算法 75
6.4.1 蚁群优化算法 75
6.4.2 局部搜索和模拟退火算法 76
6.4.3 基于免疫的蚁群优化算法 78
6.4.4 在解决武器目标分配问题中的应用 81
7.1 基于调节信息素挥发度的自适应蚁群算法 84
7.1.1 基本蚁群系统模型 84
7.1.2 一种自适应蚁群算法 85
7.1.3 对TSP问题的仿真结果 86
7.2 具有分工的自适应蚁群算法 87
7.2.1 基本蚁群算法模型 88
7.2.2 对基本蚁群算法的改进策略 89
7.2.3 蚁群中的工作分工 90
7.2.4 在组合优化及函数优化问题中的应用 93
7.3 基于协同学习机制的蚁群算法 96
7.3.1 基于协同学习的蚁群系统算法 96
7.3.2 基于协同工作机制的增强蚁群算法 99
8.1.1 并行计算机及其分类 105
8.1.2 并行算法的设计 105
第8章 并行蚁群算法 105
8.1 并行算法的基本概念 105
8.1.3 并行算法的性能评价 106
8.2 蚁群算法的并行实现 107
8.2.1 蚁群搜索算法的原理 107
8.2.2 常用的并行策略 108
8.2.3 用于TSP问题的并行蚂蚁算法 110
8.3 二次分配问题的并行蚁群算法 114
8.2.4 结论 114
8.3.1 二次分配问题的蚁群算法 115
8.3.2 QAP的蚁群算法步骤 115
8.3.3 并行蚁群模型 117
8.3.4 实验结果比较与结论 118
8.4 接线路径优化的蚁群并行算法 123
8.4.1 接线路径优化问题 123
8.4.2 蚁群算法与路径优化 124
8.4.3 基于MPI的蚁群并行算法 125
8.4.4 仿真结果及分析 126
第9章 蚁群算法的收敛性与蚁群行为模型 128
9.1 基于Markov过程的蚂蚁算法收敛性分析 128
9.1.1 简单蚂蚁算法（SAA）的描述 128
9.1.2 简单蚂蚁算法的收敛性分析 129
9.1.3 SAA算法在函数优化中的应用 134
9.2 基于图解的蚂蚁系统及其收敛性 135
9.2.1 基于蚂蚁优化的基本思想 135
9.2.2 基于图解的蚂蚁系统 136
9.2.3 基于图解的蚂蚁系统的收敛性 140
9.2.4 基于图解的蚂蚁系统收敛性的一般解 149
9.3 基于波函数的蚁群行为模型 150
9.3.1 蚂蚁群体行为的自组织机制 151
9.3.2 蚁群活动的波函数描述模型 152
9.3.3 检验蚂蚁行为模型的实验设想 154
第10章 蚁群算法在优化问题中的应用 156
10.1 蚁群算法在求解优化问题中的应用概况 156
10.1.1 在静态组合优化中的应用 156
10.1.2 在动态组合优化中的应用 157
10.1.4 在其他领域的应用 158
10.1.3 在求解连续空间优化问题中的应用 158
10.2 蚁群优化（ACO）算法在动态组合优化中的应用 159
10.2.1 电信网路由及其选择方法 159
10.2.2 基本动态路由方法 161
10.2.3 网络路由与蚁群优化算法 162
10.3应 用蚂蚁算法对QoS组播路由问题求解 168
10.3.1 QoS组播路由模型 168
10.3.2 基于蚂蚁算法的QoS组播路由问题 169
10.3.3 实验结果及分析对比 171
10.4.1 热电联产经济调度问题的描述 174
10.4 改进的蚁群搜索算法在热电联产经济调度中的应用 174
10.4.2 简单的蚁群搜索算法及其在CHP中的困难 175
10.4.3 改进蚁群搜索算法的技术 176
10.4.4 数字测试结果及结论 179
10.5 蚁群算法在机器人中的应用 181
10.5.1 蚁群优化算法在机器人路径规划中的应用 181
10.5.2 蚁群算法在多机器人协作策略中的应用 185
10.6 应用蚁群优化算法学习模糊规则 189
10.6.1 基于模糊规则的系统 189
10.6.2 模糊规则学习问题 190
10.6.3 模糊规则学习的蚁群优化算法 191
10.6.4 在模糊建模和电力工程中的应用 194
附录 197
附录1 常用的几种蚁群算法伪码程序 197
附录2 旅行商问题的蚁群算法源程序 204
蚂蚁 系统和蚁群系统的源程序 204
最大-最小蚂蚁系统和最优-最差蚂蚁系统的源程序 216
附录3 TSP Benchmark问题 232
参考文献 236