1、目的及意义

1.1 研究目的及意义

在计算机自动控制领域中, 控制和优化始终是两个重要问题。使用计算机进行控制和优化本质上都表现为对信息的某种处理。随着问题规模的日益庞大, 特性上的非线性及不确定性等使得难以建立精确的“数学模型”。人们从生命科学和仿生学中受到启发, 提出了许多智能优化方法, 为解决复杂优化问题(NP- hard 问题) 提供了新途径。

蚁群算法(Ant Colony Algorithm, ACA) 是Dorigo M等人于1991年提出的。经观察发现, 蚂蚁个体之间是通过一种称之为信息素的物质进行信息传递的。在运动过程中, 蚂蚁能够在它所经过的路径上留下该种信息素, 而且能够感知信息素的浓度, 并以此指导自己的运动方向 。蚁群的集体行为表现出一种信息正反馈现象: 某一路径上走过的蚂蚁越多, 则后来者选择该路径的概率就越大。蚂蚁个体之间就是通过这种信息的交流达到搜索食物的目的。它充分利用了生物蚁群通过个体间简单的信息传递，搜索从蚁巢至食物间最短路径的集体寻优特征，以及该过程与旅行商问题求解之间的相似性。同时，该算法还被用于求解二次指派问题以及多维背包问题等，显示了其适用于组合优化问题求解的优越特征。

蚁群算法应用于静态组合优化问题, 其典型代表有旅行商问题( TSP) 、二次分配问题(QAP) 、车间调度问题、车辆路径问题等。在动态优化问题中的应用主要集中在通讯网络方面。这主要是由于网络优化问题的特殊性, 如分布计算, 随机动态性, 以及异步的网络状态更新等。例如将蚁群算法应用于QOS组播路由问题上, 就得到了优于模拟退火(SA)和遗传算法(GA)的效果。蚁群优化算法最初用于解决TSP问题，经过多年的发展，已经陆续渗透到其他领域中，如图着色问题、大规模集成电路设计、通讯网络中的路由问题以及负载平衡问题、车辆调度问题等。蚁群算法在若干领域获得成功的应用，其中最成功的是在组合优化问题中的应用。

蚁群算法作为智能计算领域的一个重要分支，该算法具有很大的应用前景，并且还在不断地创新和发展。蚁群算法虽然存在诸多优点，但它还存在着收敛速度慢，收敛精度不高，易陷入局部最优等缺点，需要研究人员不断地去完善和发展该算法的理论，以提升该算法的实际性能，使其更好地服务于应用领域。

1.2 国内外研究现状

1991年，意大利学者Dorigo M等人提出了蚁群算法，并成功的解决了旅行商问题（TSP）。1995年，Gambardella L M和Dorigo M提出了Ant-Q算法，建立了AS和Q-learning的联系。1956年，Dorigo M等人在《IEEE Transactions on System,Man,and Cybernetics-Part B》上发表了“Ant system:optimization by a colony of cooperating agents”一文，全面系统的描述了蚁群算法的基本原理。1996年，Dorigo M,Maniezzo V等人又提出了蚁群系统（Ant Colony System, ACS).通过不断地改进，带精英策略的蚂蚁系统，最大-最小蚂蚁系统（Max-Min Ant System,ACS)等相继诞生。1998年10月，第一届蚁群算法国际研讨会（ANTS）在比利时布鲁塞尔举办，为蚁群算法的快速发展奠定了基础。1999年，Dorigo M等人把先前各种蚁群算法归结到一个统一的框架之中，并给出了抽象，规范的算法描述，称之为蚁群优化算法。后来Gutjahr W J在一些学术报告和论文中对一些问题进行了假设，并因此为前提，证明了蚁群算法的收敛性，有力地推动了蚁群算法的发展和应用。《IEEE Transactions on Evolutionary Computation》在2002年出版了蚁群算法特刊。2004年，Dorigo M和Stutzle出版了一本关于蚁群算法的书《Ant Colony Optimization》。2015年Joao Batista Queiroz Zuliani等人把蚁群优化算法和遗传算法结合起来，并成功运用到目标拓扑优化中，达到了很好的实验效果。2016年1月，Pawan Kuman Tiwari等人把“懒蚂蚁”应用到蚁群算法中，实验结果表明“懒蚂蚁”既降低了算法复杂度，又提高了算法性能。

3、进度安排

第1－3周：查阅相关文献资料，明确研究内容，了解研究所需理论基础。确定方案，完成开题报告。

第4－5周：熟悉掌握基本理论，完成英文资料的翻译，熟悉开发环境。

第6－9周：编程实现各算法，并进行仿真调试。

第10－12周：针对具体的实验数据，完成整个系统的仿真，实现功能；撰写论文初稿。

第13－15周：修改毕业论文。

第16周：论文答辩。