【正文】 igent algorithm in modern life, more and more extensive application in engineering practice, is mainly used to solve optimization problems, the research on it has important significance. This paper mainly studies intelligent algorithms application in optimization, intelligent algorithm contains more categories, such as genetic algorithm, ant colony algorithm, simulated annealing method, these algorithms in solving optimization problems, it has its own characteristics. In this paper, firstly the study of genetic algorithm to solve the problem through a crossover rebination tour business as well as through dualistic coding knapsack problem application. The study of ant colony algorithm ant algorithm and local search method by bining the two distribution, through the improvement of ant colony algorithm technology cogeneration economic dispatch problem and through the incentive method of robot cooperation strategy, make full use of the advantages of using the pheromone of ant colony, solve the problem of optimization.Key words: genetic algorithm。 ant colony algorithm。 order crossover。若非如此,則舍掉新的點,繼續(xù)選擇之前的點當做是下一次所進行模擬的初始點.第2章 遺傳算法在優(yōu)化問題中的應用 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)的適應性》[4]中首先提出的，它是根據大自然的自身特點,通過模擬自然選擇,進行解決實際問題的一種隨機化搜索算法.基本遺傳算法是一種理解起來相對簡單，操作的遺傳進化的過程相對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方面組成的： 生成群體的初始以及編碼；設某一參數的取值范圍為，可以用長度為k的二進制編碼符號來表示該參數，則它共產生種不同的編碼，可使參數編碼時的對應關系為： 其中， (21)作為驅動遺傳算法的進程的適應度函數；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. 適應度高的個體被選擇， 如果都滿足不等式,則稱函數在點內有極小值. 極大值, 極小值統(tǒng)稱為極值, 使函數取得極值的點成為極值點. 可以利用極值來求多元函數的最大值和最小值. 如果在有界區(qū)域D上, 則在D上必定能取得最大值和最小值. 函數取得最大值或最小值即可能在D的內部也可能在D的邊上. 函數的最值點是函數極值點中最大(小)的一點. 函數極值的算法實現實數編碼描述的小生境的蟻群算法的偽代碼如下所示:P0=。 For each ant x[i]=(start+(endstart)*rand(1))。 EndWhile not 結束條件 doT_Best=max(T)。 EndFor each ant If Prob[i]p0Temp=x[i]+min_step*(rand(1))。 EndIf f(Temp)f(x[i]) X[i]=temp。 EndEnd while 算法優(yōu)化實例為了測試小NACA的性能, 這里選擇如表所列的函數進行仿真實驗,結果如圖3338所示：表31 測試函數函數名稱測試函數函數特征F1不變峰, 多變量, 多極值點F2變峰, 多變量, 多極值點F3變封, 多變量, 多極值點 (a) 螞蟻初始位置 (b) 螞蟻的最終分布位置圖 36 NSACA優(yōu)化函數F1的螞蟻位置分布 (a) 螞蟻初始位置 (b) 螞蟻的最終分布位置圖 37 NACA優(yōu)化函數F2的螞蟻位置分布 (a) 螞蟻初始位置 (b) 螞蟻的最終分布位置圖38 NACA優(yōu)化函數F3的螞蟻位置分布從NACA對二維函數FF2和F3尋優(yōu)結果圖可以看出, NACA能找到全局最優(yōu)解. 為了防止隨機產生初始群體對仿真結果的影響, 多次運行NACA對函數FF和F3進行仿真實驗. 算法找到全局最優(yōu)解. 二次分配問題的蟻群算法 二次分配問題的定義是：設一個n個對象的集合o=｛o1，o2，…，on｝，n個位置的集合L=｛L1,L2,…,Ln｝，一個流矩陣C，每個元素cij表示對象oi和oj間的流花費，一個距離矩陣D，每個元素dkl表示位置Lk和Ll間的距離，要找到一個對象位置的雙射M：OL，使對象函數f最小 （31）QAP代表一類NP難組合優(yōu)化的重要問題，此類問題在不同領域有許多應用，例如設備放置，數據分析、任務調度、圖像合成等. QAP的蟻群算法步驟這里使用了基于n個整數排列的表示法： （32） 其中l(wèi)i表示對象oi的位置. 每個螞蟻的初始解決方法是隨機初始化的. 信息素矩陣的初始化需要3個步驟. 首先，對m個初始解決方法進行局部搜索優(yōu)化. 然后，識別出*種群的最佳解決方法. 最后，信息素矩陣F的初始化如下 （33） 每只螞蟻的當前解決方法是信息素矩陣的變換函數. 使用一對交換步驟作為局部的變換，在此步驟中交換一個排列中的兩個對象. n/3（n是問題規(guī)模）的交換是如下進行的：隨機選擇第一個元素r，使最大（是包含元素s位置r的信息素，是解決方法）. 在其他情況下，選擇元素的概率是a，它與相關的信息素成比例 （34） 設計基于方法的局部的搜索的步驟，必須要定義短期的存儲器，從而避免該循環(huán)的過程. 列表里面包含了無法進行交換的對象的對. 該算法效率主要取決于列表的尺寸選擇. 該實驗所表明其選擇在到中間的尺寸，這樣將會產生相對很理想的結果. 每個TS任務初始化時，tabu列表尺寸在到之間隨機的產生. 如果一個tabu步驟能產生比當前最優(yōu)解決方法更好的方法，那么允許按tabu步驟執(zhí)行. 在具體的實現中，限制TS進行有限次迭代. 首先，為了模仿揮發(fā)過程信息元素矩陣的更新，并按照如下的公式來進行減小矩陣的值 （35）其中， (實驗中). 若接近，信息素長期有效的產生影響. 若是接近1，它會在很短時間內起作用. 第二個階段便是信息素的增強功能方法的解決. 需要設計一種相對較新的策略，也就是對于每一只螞蟻都要增加一份跟其貢獻所成反比例的信息數量. 這貢獻若需要削弱，可通過比較最優(yōu)與最差的解決的方法之間的差異相互做除. 其所使用的更新的公式為： =（1a）+ （36）其中，是在第次的迭代之中跟元素相關信息素的蹤跡. 是當前所找到的最差的解決的方法，是最優(yōu)的，而是當前來說的解決的方法. 如果在次的迭代之中，最優(yōu)的解決的方法全部未產生提高，則需要啟動其多樣化的操作. 系統(tǒng)中的多樣性包括重新初始化信息素矩陣和隨機產生新的解決方法. 在本方法