【正文】 展望自蟻群算法創(chuàng)立這么多年以來，在算法理論和算法應(yīng)用方面取得了很多突破性的進(jìn)展。在對研究對象進(jìn)行正交離散化處理的過程中，根據(jù)啤酒原料營養(yǎng)標(biāo)準(zhǔn)手冊和相關(guān)實(shí)踐經(jīng)驗(yàn)確定幾個(gè)對試驗(yàn)指標(biāo)效果影響比較大的因素?cái)?shù)以及水平數(shù)。然后運(yùn)行螞蟻根據(jù)初始螞蟻建立的路徑信息素強(qiáng)度和啟發(fā)信息按照偽隨機(jī)比例規(guī)則運(yùn)行，進(jìn)行全局范圍內(nèi)的搜索尋優(yōu)移動(dòng)。偽隨機(jī)比例規(guī)則使螞蟻更傾向于選擇距離短且信息素強(qiáng)度高的路徑。這12個(gè)正交離散點(diǎn)所組成的配方組合總共有種，而這81條路徑具有很強(qiáng)的代表性，它們代表了原料比例在1％～100％范圍內(nèi)全面試驗(yàn)的無窮多條路徑，也就是說這一部分正交試驗(yàn)代表了全面試驗(yàn)。正交離散主要是將基本蟻群算法與正交試驗(yàn)設(shè)計(jì)相結(jié)合，通過正交設(shè)計(jì)形成正交離散點(diǎn)，使連續(xù)域問題離散化，讓螞蟻在正交試驗(yàn)得出的幾條優(yōu)化路徑中尋找最優(yōu)解，改進(jìn)了初始階段蟻群算法信息素隨機(jī)分布、路徑雜亂無章的缺點(diǎn)，最終可以取得滿意的結(jié)果。—2所示，在立方體中，每一平面內(nèi)只有3個(gè)數(shù)據(jù)試驗(yàn)點(diǎn)，每一條直線上只包含1個(gè)數(shù)據(jù)試驗(yàn)點(diǎn)，正交試驗(yàn)的試驗(yàn)點(diǎn)均衡地分布在全面試驗(yàn)點(diǎn)中。對于3因素3水平而言，設(shè)有A,B,C三個(gè)因素，A因素有三個(gè)試驗(yàn)水平，B因素有三個(gè)試驗(yàn)水平，C因素有三個(gè)試驗(yàn)水平，利用正交表 從27個(gè)試驗(yàn)點(diǎn)中挑選出來的9個(gè)試驗(yàn)點(diǎn)，這9個(gè)試驗(yàn)點(diǎn)為：（1）；（2）；（3）。（７）若集合中元素未遍歷完，即ｋ＜ｍ，則跳轉(zhuǎn)到第（４）步，否則執(zhí)行第（８）步。分布式特征增強(qiáng)了蟻群算法的可靠性。 是啟發(fā)函數(shù)，在TSP問題中，通常取=,表示相鄰兩個(gè)城市之間的距離，啟發(fā)函數(shù)表示螞蟻從城市i轉(zhuǎn)移到城市j的期望程度；=｛1,2,…,n｝表示不在中的那些城市的集合，也就是允許螞蟻下一步繼續(xù)尋找的城市集合。當(dāng)它們碰到一個(gè)陌生路口時(shí)，就隨機(jī)地挑選一條路徑前進(jìn)，同時(shí)釋放出一定強(qiáng)度與路徑長度相關(guān)的信息素。國際著名頂級(jí)學(xué)術(shù)期刊《Nature》曾多次對蟻群算法的研究成果進(jìn)行報(bào)道，《Future Generation Computer Systems》和《IEEE Transactions On Evolutionary Computation》分別在2000年和2002年出版了蟻群算法特刊，在布魯塞爾每兩年召開一次的蟻群算法國際研討會(huì)進(jìn)一步促進(jìn)了這一智能計(jì)算領(lǐng)域的學(xué)術(shù)交流，從而使這種新興的仿生優(yōu)化算法展現(xiàn)出勃勃生機(jī)和廣闊的發(fā)展前景。畢 業(yè) 論 文 20XX 屆 XXXXXXXXXXXXXX 專業(yè) XXXXXXX 班級(jí)題 目 基于正交離散過程的蟻群算法 姓 名 XXX 學(xué)號(hào) XXXXXXXXXXXXX 指導(dǎo)教師 XXXX 職稱 XXXX 二О一 四 年 五 月 七 日基于正交離散過程的蟻群算法內(nèi) 容 摘 要 蟻群算法是一種仿生進(jìn)化算法，其靈感來源于真實(shí)蟻群的覓食機(jī)理，這種思想吸收了螞蟻群體有規(guī)律的行為，通過對真實(shí)蟻群搜索食物過程的模擬來完成對問題的求解。目前，蟻群算法已經(jīng)成為國際智能計(jì)算領(lǐng)域中備受關(guān)注的研究熱點(diǎn)和前沿性課題。螞蟻?zhàn)哌^的路徑越長，所釋放的信息量就越少。為了避免殘留信息素過多而引起殘留信息淹沒啟發(fā)信息，在每只螞蟻?zhàn)咄暌徊交蛘邔λ衝個(gè)城市遍歷完（也即一個(gè)循環(huán)結(jié)束）后，要對殘留信息進(jìn)行更新處理。3）自組織性如果系統(tǒng)在獲得時(shí)間的、空間的或者功能的結(jié)構(gòu)過程中，沒有外界的特定干預(yù)，則稱該系統(tǒng)是自組織的。（８）根據(jù)路徑上信息量更新公式（２）和信息量變化公式（３）更新每條路徑（ｉ，ｊ）上的信息量。（4）。3）獨(dú)立性：正交表中沒有完全重復(fù)的水平組合，從全部試驗(yàn)組合中挑選的這一部分試驗(yàn)組合沒有重復(fù)試驗(yàn)的情況，在討論某一因素時(shí)，不用考慮其他因素的影響，正交表中的試驗(yàn)方案能夠綜合處理大量信息。以原料配方設(shè)計(jì)為例進(jìn)一步說明正交離散過程的蟻群算法。根據(jù)專業(yè)知識(shí)和實(shí)踐經(jīng)驗(yàn)，通過對所研究問題的具體分析，明確哪幾個(gè)因素及其哪幾個(gè)水平對試驗(yàn)指標(biāo)的影響比較大，然后再挑選這幾種因素及其水平進(jìn)行試驗(yàn)。參數(shù)決定了“探索”一條新路徑和利用螞蟻積累的有效搜索經(jīng)驗(yàn)“開發(fā)”一條路徑這兩種過程之間的相對重要程度。 第五步：適時(shí)調(diào)節(jié)參數(shù)，動(dòng)態(tài)調(diào)整狀態(tài)轉(zhuǎn)移概率、優(yōu)化路徑設(shè)置。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(jì)中的六個(gè)因素，每種原料可確定五個(gè)用量比例等級(jí)，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(gè)數(shù)量比例范圍內(nèi)，然后將其作為正交設(shè)計(jì)中的五個(gè)水平，即6因素5水平的正交試驗(yàn)。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(shí)，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(gè)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(shí)，需要解決在蟻群算法并行化過程中對并行計(jì)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(gè)重要問題。通過在啤酒原料配方設(shè)計(jì)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。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(gè)節(jié)點(diǎn)，如果讓螞蟻在0～100％范圍內(nèi)逐個(gè)進(jìn)行訪問的話，必然會(huì)造成龐大的計(jì)算量而無限延長計(jì)算時(shí)間，求解結(jié)果也會(huì)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。 第四步：初始螞蟻在正交試驗(yàn)設(shè)計(jì)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。 （8）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。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。而正交試驗(yàn)設(shè)計(jì)可以綜合處理大量的信息，有效地解決連續(xù)域問題。2）均衡分布性：在正交表中的各因素水平組合在選優(yōu)區(qū)中是均衡分布的。正交設(shè)計(jì)就是從選優(yōu)區(qū)全面試驗(yàn)點(diǎn)（水平組合）中挑選出部分有代表性的試驗(yàn)點(diǎn)來進(jìn)行試驗(yàn)。（６）選擇好下一個(gè)元素ｊ之后，將螞蟻移動(dòng)到新的元素，并把該元素移動(dòng)到該螞蟻個(gè)體的禁忌表中，此時(shí)。每只螞蟻在問題空間的多個(gè)點(diǎn)相互獨(dú)立地構(gòu)造問題的解，而整個(gè)問題的求解過程不會(huì)因?yàn)槟持晃浵仧o法求解而受到影響。表示信息啟發(fā)式因子，反映了螞蟻在運(yùn)動(dòng)過程中所積累的信息在螞蟻運(yùn)動(dòng)時(shí)所起的作用；作為期望啟發(fā)式因子，表示路徑能見度的相對重要性，反映了螞蟻在運(yùn)動(dòng)過程中啟發(fā)信息在螞蟻選擇路徑中的受重視程度。第二章 蟻群算法 蟻群算法的基本原理及其數(shù)學(xué)模型 真實(shí)蟻群的覓食機(jī)理 根據(jù)研究者的長期觀察發(fā)現(xiàn)：螞蟻在運(yùn)動(dòng)時(shí)會(huì)在路徑上釋放出一種信息素來尋找路徑。蟻群算法(ant colony algorithm,ACA)是最新發(fā)展起來的一種模擬螞蟻群體智能行為的仿生優(yōu)化算法，該算法采用了正反饋并行自催化機(jī)制，在解決許多復(fù)雜優(yōu)化問題方面展現(xiàn)出優(yōu)異性能和巨大的發(fā)展?jié)摿Γ罱鼛啄晡藝鴥?nèi)外許多研究者對蟻群算法進(jìn)行了多方面的研究工作。 本文首先介紹了蟻群算法的研究進(jìn)展和基本原理，然后對蟻群算法的改進(jìn)優(yōu)化和仿真應(yīng)用分別進(jìn)行了描述。 國內(nèi)外對蟻群算法的研究進(jìn)展，蟻群算法逐漸得到了世界許多研究者的關(guān)注，其在很多領(lǐng)域得到了很好的應(yīng)用，在這期間國內(nèi)外大量有價(jià)值的研究成果也陸續(xù)發(fā)表。當(dāng)后來螞蟻再次碰到這個(gè)路口時(shí)，選擇信息量較大路徑的可能性比較大，由此便形成了一個(gè)正反饋機(jī)制。在t+n時(shí)刻在路徑（i，j）上的信息量要可按以下公式更新調(diào)整：　　　　　　　　　　　　?。ǎ玻? 　　　　　　　　　?。ǎ常┢渲斜硎颈敬窝h(huán)路徑(i,j)的信息素增量,在初始時(shí)刻。最典型的自組織就是生物體，即類似螞蟻、蜜蜂這樣的昆蟲群落中，生物個(gè)體相互作用，協(xié)同完成某項(xiàng)群體工作，自然就體現(xiàn)出很強(qiáng)的自組織性。（９）若滿足結(jié)束條件，即如果循環(huán)次數(shù)，則循環(huán)結(jié)束，輸出程序計(jì)算的最佳結(jié)果，否則清空禁忌表并跳轉(zhuǎn)到第（２）步。（5）。4）整齊可比性：整齊可比是指每一因素的各個(gè)水平之間具有可比性。設(shè)原料品種（）為橫坐標(biāo)，原料用量為，原料品種所占的比