【正文】 。（ 7） 2313 DCBA 。 通過 對原料用量 正交離散 化 處理，大大減少 了 搜索初始 解集 的試驗(yàn)配方次數(shù)，提高了蟻群算法的運(yùn)算效率。 但是除了這 9條路徑之外的其它 72條路徑中的一條配方組合也有可能是最優(yōu)解，只不過這 9條路徑 中的一條 成為最優(yōu)解的可能性比較大，而其他 72條路徑成為最優(yōu)解的可能性比較小而已 。初始螞蟻的主要任務(wù)是在圖 9條正交優(yōu)化路徑上釋放一定的信息素， 24 即螞蟻初始化信息素 ? ? wij ?0?（ w 為常數(shù)）。位于節(jié)點(diǎn) r的螞蟻 k利用以下規(guī)則選擇 下一個 將 要訪問的節(jié)點(diǎn) s： ? ? ? ?? ? ? ?? ?????? ?? ? o th e r w is eS qif qjrjrs rSj k , ,m a xa r g 0??? （ 7） 式（ 7）中，函數(shù) argmaxf(x)表示尋找最優(yōu)解的參量，表達(dá)的是定義域中的一個子集， 且該子集中的任一元素都可使函數(shù) f(x)取得最優(yōu)值。 ? ?? ?? ? ? ?? ?? ?? ? ? ?? ?? ?? ?????? ?? ??o th e r w is erSif sjrjr srsrsrp krSjk k,0, , ?????? （ 8） 25 由式（ 7）和（ 8）決定的狀態(tài)轉(zhuǎn)移規(guī)則被稱為偽隨機(jī)比例規(guī)則。 螞蟻在開始 時的 0q 、中間 選擇 節(jié)點(diǎn)時的 0q 和 最終 找到最優(yōu) 解時的 0q 都應(yīng) 適時地進(jìn)行 調(diào)節(jié)，這 樣 在初始階段 可以 加快 算法運(yùn) 算的速度，在尋優(yōu)過程中 又可以避免 算法 陷入局部最優(yōu) 狀態(tài) 。 3）信息素 局部更新規(guī)則：單個螞蟻在 節(jié)點(diǎn)之間遍歷時 按照 信息素局部更新規(guī)則對所經(jīng)過路徑 上的信息素進(jìn)行更新： 26 ? ? ? ? ? ? ? ?srsrsr o ldn e w ,.,1, ????? ???? （ 11） 其中參數(shù) ? ?10 ???? 是信息素?fù)]發(fā)系數(shù)。 根據(jù)配方中 各 原料用量的相關(guān)標(biāo)準(zhǔn)確定約束條件： ???mj iijj xaB 1（ 13） jB 為約束值，也就是配方應(yīng)該滿足的各項(xiàng)指標(biāo)（重量、營養(yǎng)價值等指標(biāo)）； ija 為 各種原料的相應(yīng)化學(xué)成分 含量 ； m為約束方程的個數(shù) 。 第四步 ：初始螞蟻在正交試驗(yàn)設(shè)計中所確定的幾條優(yōu)化路徑中釋放一定量的信息素，蟻群算法參數(shù)進(jìn)行初始化。 第七步 ： 如果 滿足結(jié)束條件，計算目標(biāo)函數(shù)值，否則回到第二步 。 啤酒配方主要包括多 種大麥和大米等原料，這些原料經(jīng)過糖化過程制成麥汁，再經(jīng)過發(fā)酵 制成啤酒。(2)保證麥汁 ? 氨基氮 的含量在160mg/L～ 210mg/L范圍內(nèi) 。 啤酒原料麥芽品種所占的百分比含量在 0～ 100％范圍內(nèi)均勻變化，屬于典型的連續(xù)變量優(yōu)化問題， 由于從 0到 100％之間有無窮多個節(jié)點(diǎn)， 31 如果讓螞蟻在 0～ 100％范圍內(nèi)逐個進(jìn)行訪問的話，必然會造成龐大的計算量而無限延長計算時間，求解結(jié)果也會比較分散 ，因此無法用傳統(tǒng)的基本蟻群算法對其進(jìn)行研究，必須把原料用量 正交 離散化處理。各原料參數(shù)正交試驗(yàn)水平表 如表 ： 表 各原料參數(shù)正交試驗(yàn)水平表 寧麥澳麥 寧麥哈默林 寶應(yīng)甘三 九得利 KA4B 九源甘三 小麥 1 ％ ％ ％ ％ ％ ％ 2 ％ ％ ％ ％ ％ ％ 3 ％ ％ ％ ％ ％ ％ 4 ％ ％ ％ ％ ％ ％ 5 ％ ％ ％ ％ ％ ％ 根據(jù)啤酒原料配方設(shè)計的數(shù)學(xué)模型采用基于正交離散過程的蟻群算法求解程序，即根據(jù) 圖 正交離散過程蟻群算法的程序結(jié)構(gòu)流程圖進(jìn)行運(yùn)算，運(yùn)算步驟如下所示： 水平 因素 32 （ 1）根據(jù)相關(guān)標(biāo)準(zhǔn)和實(shí)踐經(jīng)驗(yàn)從研究對象中挑選 6個因素，每個因素 5個水平如表 ，由此可產(chǎn)生 25個初始化優(yōu)化路徑。 （ 5）對找到可行方案的螞蟻所經(jīng)過的路徑按照公式（ 9）、（ 10）和（ 11）進(jìn)行信息素局部和全局更新優(yōu)化。由此可見，采用正交離散過程的蟻群算法在啤酒 】【 8 原料配方優(yōu)化問題中的應(yīng)用 取得了令人滿意的效果，具 有很好的工業(yè)應(yīng)用價值 ，在一定程度上提高了企業(yè)生產(chǎn)效率 。通過在 啤酒原料 配方設(shè)計的仿真應(yīng)用顯示了 該算法在收斂速度和執(zhí)行效率上 有了 較大提高 ， 表明該算法 在實(shí)際解決連續(xù)域變量 問題中發(fā)揮了 非常 重要 的 作用 ， 該令 人滿意的驗(yàn)證結(jié)果 為蟻群算法在解決連續(xù)域 變量 問題方面開辟了一種 可供參考 的 方法 。張老師嚴(yán)謹(jǐn)?shù)闹螌W(xué)態(tài)度、實(shí)事求是的學(xué)術(shù)作風(fēng)、深厚的學(xué)術(shù)功底、 敏銳的洞察力和 忘我的工作熱情，深深地 影響 感染了我。 最后， 感謝老師們和同學(xué)們對我的幫助讓我能夠順利地完成學(xué)業(yè)，感謝所有關(guān)心和幫助過我的人 ! 36 參考文獻(xiàn) [1] 劉小梅，張君靜 . 蟻群優(yōu)化算法基本原理及其應(yīng)用 [J].西部探礦工程報，2020,10（ 4） 240243. [2] 段海濱 .蟻群算法原理及其應(yīng)用 [M]. 北京 ,科學(xué)出版社， 2020,15. [3] 陳一昭，姜麟 .蟻群算法參數(shù)分析 [J]. 科學(xué)技術(shù)與工程， 2020,12， 11（ 36） :90809084 [4] 董如何，肖必華，方永水 .正交試驗(yàn)設(shè)計的理論分析方法及應(yīng)用 [J].自然科學(xué)報，2020,6， 12（ 6） :103106. [5] 鄭松，侯迪波，唐旭華，葉波，周澤魁 . 一種改 進(jìn)蟻群算法及其在配方優(yōu)化中的應(yīng)用 [J].江南大學(xué)自然科學(xué)報， 2020,8,7（ 4） :387391 [6] 倪慶劍，邢漢承，張志政 ,王蓁蓁 . 蟻群算法及其應(yīng)用研 究進(jìn)展 [J]. 計算機(jī)應(yīng)用與軟件， 2020,8， 25（ 8） :1216 [7] 許世杰，劉弘 .基于過程優(yōu)化的蟻群算法研究與應(yīng)用 [D].山東師范大學(xué)碩士學(xué)位論文， 2020,6,1920 [8] 鄭松，李春富，于涵誠，葛銘 . 啤酒原料配方的蟻群優(yōu)化設(shè)計研究 [J].計算機(jī)工程與應(yīng)用， 2020,47(11):226244 [9] 周明天，路綱，牛 新征 . 蟻群算法研究的新進(jìn)展和展望 [J].計算機(jī)應(yīng)用研究，2020,8,24（ 4）： 435442 。在這一段時間學(xué)到的東西 將使我在以后的學(xué)習(xí)和工作中獲益匪淺 。 針對自然界中 真實(shí) 蟻群 的許多其他 智能行為，用 發(fā)散思維 和 逆向思維開發(fā)不同的蟻群算法模型是一條新的研究思路； 同時，在 連續(xù)域蟻群算法的收斂性證明 方面仍存在許多 空白， 今后蟻群算法的收斂性證明和理論分析仍是一個具有挑戰(zhàn)性的研究方向； 此外，在研究蟻群算法的并 行實(shí)現(xiàn)問題時，需要解決在 蟻群算法并行化過程中 對 并行計算模型的選擇、 蟻群算法的分解、映射方法的改進(jìn)等問 題， 這 些問題也是今后研究的方向； 蟻群算法的應(yīng)用深度還不夠，還需要進(jìn)一步拓寬應(yīng)用領(lǐng)域，還有如何抽象實(shí)際問題，使 蟻群算法的求解 結(jié)果 更接近于 實(shí)際 工程 意義是廣大蟻群算法研究者們所 關(guān)注的一個重要 問題 】【 9 。 34 第四章 本文的工作總結(jié)與展望 本文的工作總結(jié) 本文首先 介紹了基本蟻群算法 的基本原理 及其 系統(tǒng)學(xué)特征 ， 并 針對 傳統(tǒng)蟻群 算法執(zhí)行效率低、 耗時長、 收斂慢等缺陷 ，提出了基于 正交離散過程的蟻群算法。 在運(yùn) 算時可采用如下參數(shù)值： 配方搜索圖上節(jié)點(diǎn)個數(shù) 30?n ,信息素?fù)]發(fā)系數(shù) ?? ，信息素痕跡強(qiáng)度 1?? ，啟發(fā)信息權(quán)重 2?? ，參數(shù) ?q ，路徑信息素的初始值 ? ? ? ? 10 0 0 3 88, ????? ?? sr ， 根據(jù)該企業(yè)的實(shí)際生產(chǎn)情況，一個批次需要的啤酒原料總質(zhì)量 kga 17850? ,過濾槽設(shè)備的直徑md ? 。 （ 3）讓 m只螞蟻從 start點(diǎn)開始出發(fā)，每只螞蟻獨(dú)立地按照（ 7）式和（ 8）式組成的偽隨機(jī)比例規(guī)則 追蹤生成配方方案。 以寧麥澳麥、寧麥哈默林、寶應(yīng)甘三、九得利 KA4B、九源甘三、小麥六種主要啤酒原料配方為基礎(chǔ)，作為正交試驗(yàn)設(shè)計中的六個因素，每種原料 可確定五個用量 比例等級 ， 根據(jù)相關(guān)實(shí)踐經(jīng)驗(yàn)，啤酒原料用量的最佳比例應(yīng)該在這五個數(shù)量比例范圍內(nèi)， 然后將其 作為正交設(shè)計中的五個水平， 即 6因素 5水平的正交試驗(yàn)。 參考該啤酒企業(yè)的原料配方設(shè)計手冊 ，定義 算法所研究問題的 數(shù)學(xué)模型 如下： 目標(biāo)函數(shù)為 最低成本 函數(shù) ： ???ni ii xamF 1m in （ 14） 約束條件為各種期望生產(chǎn) 指標(biāo) ： ? ? 017501011 ??? ??ni ii xtB （ 15） ? ? 07 0 142 ???? ???ni iNi xaCB （ 16） ? ? 01 6 510143 ???? ???ni ii xaCB? （ 17） ? ? 010144 ??? ???ni ii xaCB? （ 18）0401001 25 ????????? ??? ??ni icid xaCB ? （ 19） 在上式中， a 表示每批次 需要的啤酒原料總質(zhì)量 ； d 表示過濾槽設(shè)備的直徑； im 表示第 i 種原料的成本單價； ix 表示配方中 第 i 種原料所占 的百分比含量； it 表示第 i 種原料糖化力 的數(shù)值； NiC 表示 第 i 種原料 總氮含量； ?iC 表示 第 i 種原料 ? 氨基氮的含量； ?iC 表示第 i 種原料 ? 葡萄糖含量；ciC 表示第 i 種原料產(chǎn)槽率。假設(shè)該企業(yè)可提供的原料 種類 有以下幾種 ：寧麥加麥、寧麥澳麥、寧麥哈默林、九源甘三、九得利 KA4B、寶應(yīng)甘三、 小麥麥芽和大米。 正交離散過程蟻群算法的程序結(jié)構(gòu)流程圖 正交離散過程蟻群算法的程序結(jié)構(gòu)流程圖 如圖 ： 28 圖 正交離散過程蟻群算法的程序結(jié)構(gòu)流程圖 開始 明確研究問題 定義目標(biāo)函數(shù)、約束函數(shù)條件，建立數(shù)學(xué)模型 正交離散化 初始化蟻群算法參數(shù) 狀態(tài)轉(zhuǎn)移概率優(yōu)化 信息素動態(tài)更新優(yōu)化 進(jìn)行選路 尋優(yōu) 計算 滿足結(jié)束條件？ 計算目標(biāo)函數(shù)值 輸出程序計算最佳結(jié)果 結(jié)束 N 迭代 Y 29 正交離 散過程蟻群算法的仿真應(yīng)用 配方試驗(yàn)設(shè)計就是連續(xù) 域 變量 優(yōu)化問題 ，在滿足實(shí)際意義的約束條件下，求解各種原料配方的最佳比例 ，使問題的目標(biāo)函數(shù)值 達(dá)到最大或最小的效果。