【正文】 出的交換結(jié)果的變化. 移動(dòng)值對(duì)于估價(jià)移動(dòng)的質(zhì)量提供一個(gè)基礎(chǔ). 令每一個(gè)中間的移動(dòng)，一只螞蟻將移向一個(gè)不穩(wěn)定的狀態(tài)，停在一個(gè)穩(wěn)定的狀態(tài). 在成長(zhǎng)的交換中，流動(dòng)的方向在解決收斂中起著重要的作用. 盡管螞蟻貪婪的天性趨向于朝著更好適應(yīng)度的方向移動(dòng)，增加一個(gè)百分比預(yù)定的噪聲影響一個(gè)螞蟻的判斷，它的影響與遺傳算法中交叉算子的作用是相同的，維持搜索的多樣性. 通過探索新的可能解決方案既有利于更理想的結(jié)果，又阻止螞蟻重復(fù)相同的移動(dòng). 另一方面，蟻群中有比狀態(tài)更多的螞蟻，不止一只螞蟻在同一個(gè)穩(wěn)定的狀態(tài)上是可能的. 最壞的情形是，如果這個(gè)路徑是非常良好的話，則大多數(shù)螞蟻尋求同樣的路徑，最后導(dǎo)致停滯行為. 為了阻止大多數(shù)螞蟻簇?fù)碓谕粋€(gè)穩(wěn)定狀態(tài)，將分類禁止最近參觀過的地點(diǎn)，這個(gè)想法是由禁忌搜索激發(fā)產(chǎn)生的. 分類依靠搜索的歷史，特別地說明了參與產(chǎn)生過去方案的屬性的頻率. 實(shí)驗(yàn)結(jié)論改進(jìn)的基于分布自觸發(fā)式過程的搜索算法ACSA采用了一個(gè)雙重遺傳的過程，在微進(jìn)化層次上有一些螞蟻，可以用一組行為軌跡來描述. 在過程的每一步中，每一個(gè)留下它行動(dòng)的痕跡，并概率式地改變了它未來要做的決定；在宏進(jìn)化層次上，個(gè)體螞蟻繼承了“女王”的經(jīng)驗(yàn)，并加以歸納. 大量并行的螞蟻合作使得螞蟻能夠越過局部?jī)?yōu)化，容易地辨別正確的串，然后找到一個(gè)好的方案. ACSA的性能通過對(duì)CHP經(jīng)濟(jì)調(diào)度問題的數(shù)字測(cè)試表明，結(jié)果是令人滿意的. 結(jié) 論、生活中的復(fù)雜問題,從而能夠解決模糊、不確定和復(fù)雜的實(shí)際問題.智能算法在許多領(lǐng)域取得了豐碩的成果,隨著對(duì)智能算法理論的不斷研究,將會(huì)在庚廣泛的領(lǐng)域中發(fā)揮其作用.本課題主要研究了一下幾方面：第一部分研究了智能算法的原理及優(yōu)化問題，通過遺傳算法、蟻群算法、模擬退火法來解釋智能算法的概念，并通過與優(yōu)化問題的結(jié)合體現(xiàn)智能算法在解決問題時(shí)的特性. 第二部分研究了遺傳算法概念特點(diǎn)及分類. 通過與傳統(tǒng)優(yōu)化方法的比較給出智能算法的概念，并對(duì)其特點(diǎn)進(jìn)行了分析，最后給出常見的幾種智能算法. 第三部分主要研究了蟻群算法在優(yōu)化問題中的應(yīng)用. 首先研究了蟻群算法在函數(shù)極值問題中的應(yīng)用，其次通過螞蟻系統(tǒng)和局部搜索方法相結(jié)合解決二次分配問題、通過改進(jìn)蟻群算法的技術(shù)熱電聯(lián)產(chǎn)經(jīng)濟(jì)調(diào)度問題，充分利用了蟻群優(yōu)勢(shì)，利用信息素來解決優(yōu)化問題. 參考文獻(xiàn)[1] [M].計(jì)算機(jī)測(cè)量與控制，2003,11（12）:130144.[2] 楊沛，[J].昆蟲知識(shí)，2000,38（1）:5678.[3] ：基于自然選擇法則的計(jì)算機(jī)程序設(shè)計(jì)[M].科學(xué)出版社,1985:8996.[4] J. Holland. 自然界和人工系統(tǒng)的適應(yīng)性[M].北京科學(xué)出版社，1975:167188.[5] [J].昆明理工大學(xué)學(xué)報(bào)(理工版),2003:4547.[6] [M].計(jì)算機(jī)仿真,2006:3640.[7] 方劍，[J].控制理論與應(yīng)用，1997，14（4）:8890.[8] 王穎，[J].系統(tǒng)仿真學(xué)報(bào)，2002,14（1）:346356.[9] 吳少巖，羅鐵庚，（二）——基于自然選擇的程序設(shè)計(jì)泛型[J].,01期:3444.[10]DCosta, Colour the Opnl[M].,1997,4,48(3):6779.[11] Zimmerman H Sets and Its Applications[M].KluwerNijhoff Publishing,1986:7887.[12] Kosbo Networks and Kuzzy Systems[M].Prentice Hall,1992 :6990.[13] 王小平，——理論、應(yīng)用于軟件實(shí)現(xiàn)[M].:145177.[14] 段海濱. 蟻群算法原理及其應(yīng)用[M]. 科學(xué)出版社，2005:123156.[15] [M].清華大學(xué)出版社，2001:125130.[16] [M].清華大學(xué)出版社，2003:4768.致 謝通過這次撰寫論文,面對(duì)許多實(shí)際問題已不再茫然,因?yàn)槲夷軌虬颜n本中理論而抽象的知識(shí)與現(xiàn)實(shí)結(jié)合起來. 我很感謝我的母校,是您讓我有機(jī)會(huì)真正了解更深內(nèi)容的含義,給我開啟了通往前途的大門,拓寬了視野,增長(zhǎng)了見識(shí)。 EndFor each ant If Prob[i]p0Temp=x[i]+min_step*(rand(1))。 For each ant x[i]=(start+(endstart)*rand(1))。若非如此,則舍掉新的點(diǎn),繼續(xù)選擇之前的點(diǎn)當(dāng)做是下一次所進(jìn)行模擬的初始點(diǎn).第2章 遺傳算法在優(yōu)化問題中的應(yīng)用 遺傳算法的原理遺傳算法：遺傳算法是由美國的J. Holland教授于1975年在他的專著《自然界和人工系統(tǒng)的適應(yīng)性》[4]中首先提出的，它是根據(jù)大自然的自身特點(diǎn),通過模擬自然選擇,進(jìn)行解決實(shí)際問題的一種隨機(jī)化搜索算法.基本遺傳算法是一種理解起來相對(duì)簡(jiǎn)單，操作的遺傳進(jìn)化的過程相對(duì)容易的一種最為基本的遺傳算法. 基本的遺傳算法是有由下幾個(gè)方面組成的： 生成群體的初始以及編碼；設(shè)某一參數(shù)的取值范圍為，可以用長(zhǎng)度為k的二進(jìn)制編碼符號(hào)來表示該參數(shù)，則它共產(chǎn)生種不同的編碼，可使參數(shù)編碼時(shí)的對(duì)應(yīng)關(guān)系為： 其中， (21)作為驅(qū)動(dòng)遺傳算法的進(jìn)程的適應(yīng)度函數(shù)；包含選擇算子、交叉算子、變異算子的遺傳算子；選擇的目的是使遺傳算法在解空間的搜索向著有前途的區(qū)域移動(dòng). 適應(yīng)度高的個(gè)體被選擇， ant colony algorithm。 genetic operator。M，個(gè)體的適應(yīng)度為，那么選取個(gè)體的概率為 (22)在生物的正常進(jìn)化的過程中，交配兩個(gè)同源染色體，之后對(duì)其二者進(jìn)行重組，產(chǎn)生不一樣的染色體，進(jìn)而，.，其細(xì)胞分裂復(fù)制環(huán)節(jié)有可能會(huì)因?yàn)槟承┡既灰蛩氐挠绊懚a(chǎn)生一些復(fù)制差錯(cuò)，對(duì)于生物的某些基因這些差錯(cuò)就會(huì)導(dǎo)致某些變異，新生的染色體由此而生.對(duì)于某個(gè)個(gè)體，通過二進(jìn)制的編碼表示，就是將染色體的某一位由0變?yōu)?，或者由1變?yōu)?. 如圖21所示：1101111001變異圖21 變異算子說明對(duì)于特定參數(shù)的運(yùn)行；基本遺傳算法可以表示為： (23)在(21)式中相應(yīng)的符號(hào)意義如下： ：初始種群 圖22為基本遺傳算法的流程圖： 編碼和種群的生成種群中個(gè)體適應(yīng)度的檢測(cè)評(píng)估選擇變異交叉圖2 2 遺傳算法基本流程圖 遺傳算法的實(shí)質(zhì)就是進(jìn)行選擇算子，使下一代可以接受當(dāng)前優(yōu)良模式的種群，交叉算子對(duì)模式進(jìn)行重組，通過對(duì)變異算子的利用，使得模式得到突變. 依此操作進(jìn)行，模式的進(jìn)化方向便會(huì)越來越好，最優(yōu)解進(jìn)而由此產(chǎn)生. 遺傳算法函數(shù)優(yōu)化實(shí)例利用罰函數(shù)法將連續(xù)變量約束優(yōu)化問題轉(zhuǎn)化為連續(xù)變量無約束優(yōu)化問題，： (24) (25)式中：為的上下限；為約束函數(shù)；，則有： (26) (27)其中：是第個(gè)約束的罰因子；是罰項(xiàng)的約束精度.定義適應(yīng)度函數(shù)為： (28)為大于各代群體中個(gè)體的最大適應(yīng)度值，可將優(yōu)化問題轉(zhuǎn)化為遺傳算法的群體進(jìn)化問題例 考慮 最大值優(yōu)化問題.為了對(duì)該算法進(jìn)行改進(jìn)的證明，引入了一元函數(shù) （29）由數(shù)學(xué)分析知識(shí)可以求得，在區(qū)間[1,2]上是可微的 .： （210） （211）將其保存到work工作目錄下，在圖23中輸入如下參數(shù)Fitness function： my1_fun(x)Number of Variables:1其遺傳代數(shù)設(shè)置為：100操作過程及結(jié)果如圖224所示圖23遺傳算法工具箱參數(shù)設(shè)定圖圖24 my1_fun模擬測(cè)試圖測(cè)試結(jié)果為GA running.GA terminated.Fitness function value: Optimization terminated: maximum number of generations exceeded.