【正文】 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!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，2008,10（4）240243.[2] [M]. 北京,科學(xué)出版社，2005.[3] 陳一昭， [J]. 科學(xué)技術(shù)與工程，2011,12，11（36）:90809084[4] 董如何，肖必華， [J].自然科學(xué)報，2004,6，12（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，2008,8,7（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，2008,8，25（8）:1216[7] 許世杰， [D].山東師范大學(xué)碩士學(xué)位論文，2010,6,1920[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，2011,47(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，2007,8,24（4）：43544239。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。張老師嚴(yán)謹(jǐn)?shù)闹螌W(xué)態(tài)度、實事求是的學(xué)術(shù)作風(fēng)、敏銳的洞察力和忘我的工作熱情，深深地影響感染了我。針對自然界中真實蟻群的其他許多智能行為，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，今后蟻群算法的理論分析和收斂性證明仍是一個挑戰(zhàn)性的研究方向；此外，在研究蟻群算法的并行實現(xiàn)問題方面，還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、映射方法的改進(jìn)、蟻群算法的分解等問題，這些問題也是今后研究的方向；另外蟻群算法的應(yīng)用深度還不夠，還需要進(jìn)一步拓寬應(yīng)用領(lǐng)域，對于如何抽象實際問題，使蟻群算法的求解結(jié)果更接近于實際工程意義是廣大蟻群算法學(xué)者們所關(guān)注的一個重要問題。通過在啤酒原料配方設(shè)計的仿真應(yīng)用顯示了該優(yōu)化算法大大提高了執(zhí)行效率和收斂速度，表明該算法在解決實際連續(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。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)蟻群算法耗時長、收斂慢、執(zhí)行效率低等缺陷，提出了基于正交離散過程的蟻群算法。由此可見，采用正交離散過程的蟻群算法在啤酒原料配方優(yōu)化問題中的應(yīng)用取得了令人滿意的效果，其工業(yè)應(yīng)用價值非常好，在一定程度上提高了企業(yè)生產(chǎn)效率。在運(yùn)算時可采用以下參數(shù)值：配方搜索圖上節(jié)點個數(shù),信息素?fù)]發(fā)系數(shù)，信息素痕跡強(qiáng)度，啟發(fā)信息權(quán)重，參數(shù)，信息增量和路徑信息素的初始值，根據(jù)該企業(yè)的實際生產(chǎn)情況，一個批次所需的啤酒原料總質(zhì)量,過濾槽設(shè)備的直徑。（5）對于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。（3）讓m只螞蟻從start點開始出發(fā)，每只螞蟻獨立地按照（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。： 各原料參數(shù)正交試驗水平表因素水平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， 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：（1）根據(jù)相關(guān)標(biāo)準(zhǔn)和實踐經(jīng)驗從研究對象中挑選6個因素，構(gòu)建正交離散原料配方搜索圖，由此可產(chǎn)生30個正交離散節(jié)點，形成25個初始化優(yōu)化路徑。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)配方手冊和實踐經(jīng)驗，啤酒原料用量的最佳比例應(yīng)該在這五個數(shù)量比例范圍之內(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。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，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，求解的結(jié)果也會比較分散，因此無法用傳統(tǒng)的蟻群算法對其進(jìn)行研究，必須把原料用量正交離散化處理。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)： （14）約束條件為各種期望生產(chǎn)指標(biāo)： （15） （16） （17） （18） （19） 在以上各式中，表示一批次所需要的啤酒原料總質(zhì)量；表示過濾槽設(shè)備的直徑；表示第種原料的成本單價；表示配方中第種原料所占的百分比含量；表示第種原料糖化力的數(shù)值；表示第種原料總氮含量；表示第種原料氨基氮的含量；表示第種原料葡萄糖含量；表示第種原料產(chǎn)槽率。(2)保證麥汁氨基氮的含量在160mg/L～210mg/L范圍內(nèi)。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。啤酒配方主要包括多種大麥和大米等原料，這些原料糖化處理制成麥汁，再經(jīng)過發(fā)酵制成啤酒。 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 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仿真應(yīng)用配方試驗設(shè)計就是連續(xù)域變量優(yōu)化問題，在滿足實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。 第七步：如果滿足結(jié)束的條件，計算目標(biāo)函數(shù)值，否則回到第二步。 第五步：適時調(diào)節(jié)參數(shù)，動態(tài)調(diào)整狀態(tài)轉(zhuǎn)移概率，優(yōu)化路徑設(shè)置。 第四步：初始螞蟻在正交試驗設(shè)計中所確定的幾條優(yōu)化路徑中釋放一定量的信息素，對蟻群算法參數(shù)進(jìn)行初始化。 第二步：根據(jù)實際問題確定目標(biāo)函數(shù)，根據(jù)實際限定因素確定約束函數(shù)條件，建立正交離散過程蟻群算法的基本數(shù)學(xué)模型。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：（13）為約束值，也就是配方應(yīng)該滿足的各項指標(biāo)（原料重量、營養(yǎng)價值等指標(biāo)）；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)。應(yīng)用信息素局部更新規(guī)則會使螞蟻經(jīng)過路徑上的信息素減少一部分，這樣后來的螞蟻選擇這些路徑的可能性就會地減少了，從而增強(qiáng)了算法的“探索”能力，有效地避免了算法進(jìn)入局部停滯狀態(tài)，避免螞蟻收斂到同一條路徑。3）信息素局部更新規(guī)則：單個螞蟻在節(jié)點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： （11）其中參數(shù)是信息素?fù)]發(fā)系數(shù)。2）信息素全局更新規(guī)則：當(dāng)螞蟻訪問完所有的節(jié)點以后，只增強(qiáng)那些屬于最短路徑上的信息素濃度，信息素全局更新規(guī)則使蟻群算法尋找最優(yōu)解的過程具有更強(qiáng)的指導(dǎo)性。螞蟻在開始時的 、中間選擇節(jié)點時的和最終找到最優(yōu)解時的都應(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)。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“開發(fā)”一條路徑這兩種過程之間的相對重要程度。 （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。q是服從均勻分布的一個隨機(jī)數(shù)，是自定義的一個參數(shù)。位于節(jié)點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s：