隨著人們對生命本質的不斷了解，生命科學正以前所未有的速度迅猛發展，使人工智能的研究開始擺脫經典邏輯計算的束縛，大膽探索起新的非經典計算途徑。在這種背景下，社會性動物（如蟻群、蜂群、鳥群等）的自組織行為引起了人們的廣泛關注，許多學者對這種行為進行數學建模并用計算機對其進行仿真，這就產生了所謂的“群智能”。社會性動物的妙處在于：個體的行為都很簡單，但當它們一起協同工作時，卻能夠“突現”出非常復雜（智能）的行為特征。例如，單只螞蟻的能力極其有限，但當這些簡單的螞蟻組成蟻群時，卻能完成像筑巢、覓食、遷徙、清掃蟻巢等復雜行為；一群行為顯得盲目的蜂群能造出精美的蜂窩；鳥群在沒有集中控制的情況下能夠同步飛行等。在這些自組織行為中，又以蟻群在覓食過程中總能找到一條從蟻巢到食物源的最短路徑最為引人注目。

20世紀50年代中期創立了仿生學，人們從生物進化的機理中受到啟發，提出了許多用以解決復雜優化問題的新方法，如遺傳算法、進化規劃、進化策略等。群智能算法作為一種新興的演化計算技術已成為越來越多研究者的關注焦點，它與人工生命，特別是進化策略以及遺傳算法有著極為特殊的聯系。群智能理論研究領域目前有兩種主要的算法：蟻群算法和粒子群優化算法。本書系統地描述了蟻群算法和粒子群優化算法的理論和實現技術及其應用，著重強調各種算法的混合；討論了蟻群算法與模擬退火算法的混合、蟻群算法與遺傳算法的混合、蟻群算法與混沌理論混合、模擬退火算法遺傳算法與粒子群優化算法混合以及蟻群算法與粒子群優化算法的混合。還討論了群智能算法在旅行商、武器－目標分配、多處理機調度、可靠性優化、聚類等方面的應用。

本書由15章組成。第1章先介紹了蟻群算法的基本原理，綜述了蟻群算法理論研究現狀和蟻群算法應用研究現狀，粒子群優化算法理論研究現狀和粒子群優化應用研究現狀。第2章先研究了求解一般非線性整數規劃的蟻群算法，然后提出了求解武器－目標分配問題、多處理機調度問題、可靠性優化的蟻群算法，最后提出了多樣信息素的蟻群算法。第3章提出了一種求解連續優化問題的蟻群算法。第4章提出了求解聚類問題的基本蟻群算法和與K-均值算法混合的蟻群算法。第5章提出了與模擬退火算法混合的蟻群模擬退火算法求解圓排列問題以及模擬退火蟻群算法求解旅行商問題。第6章首先介紹了基本遺傳算法，然后提出了與遺傳算法混合的遺傳蟻群算法，最后與其他算法進行了測試比較。第7章首先介紹了混沌及運動特性，接著提出與混沌理論混合的混沌蟻群算法，最后與其他算法進行了測試比較。第8章針對最短路問題的蟻群算法的收斂性進行了探索性分析，提出的三個定理給出了尋找最短路的蟻群算法收斂的充分條件。第9章介紹了采用模擬退火思想的粒子群算法、混沌粒子群優化算法來解連續性優化問題。第10章提出了采用粒子群優化來求解背包問題、指派問題、武器?目標分配問題和流水作業調度問題等其他組合優化問題。第11章提出了采用求解聚類問題的兩種粒子群優化算法。第12章提出了與粒子群優化算法兩種混合算法，并用來求解旅行商問題。第13章對粒子群優化算法的收斂性進行了分析，提出收斂的條件。第14章簡單地介紹了魚群算法的基本原理及應用。第15章對本書作了一個總結，提出了今后研究的方向。最后，本書在附錄中給出了求解旅行商問題的蟻群基本算法源程序、計算連續性函數的優化的粒子群程序和求解旅行商問題的粒子 群?蟻群算法的MATLAB語言源程序。

本書可作為信息類的高年級本科生、碩士生、博士生以及廣大研究智能算法的科技工作者的參考書。由于作者水平有限，對于本書的不足之處，誠望讀者批評指正。

感謝江蘇科技大學的張再躍教授、鄧志良教授、吳小俊教授、劉同明教授、韓斌副教授等以及有關部門給予的支持，感謝南京理工大學603教研室老師的支持。此外，本書的完成得到了蘇州大學江蘇省計算機信息處理技術重點實驗室開放課題、江蘇省自然科學基金、江蘇科技大學博士啟動基金等項目的資助，在此表示衷心感謝。

作者

2006年2月

前言
第1章 緒論 1
1.1 引言 1
1.2 蟻群算法的基本原理 2
1.3 粒子群優化算法基本原理 6
1.4 蟻群算法理論研究現狀 10
1.5 蟻群算法應用研究現狀 12
1.6 粒子群優化算法研究現狀 13
1.7 粒子群算法應用研究現狀 15
第2章 求解整數規劃的蟻群算法 17
2.1 求解一般非線性整數規劃的蟻群算法 17
2.1.1 引言 17
2.1.2 求解非線性整數規劃的蟻群算法 17
2.1.3 算例分析 19
2.2 武器－目標分配問題的蟻群算法 21
2.2.1 引言 21
2.2.2 WTA問題 21
2.2.3 武器－目標分配問題的蟻群算法 22
2.2.4 仿真結果 23
2.3 多處理機調度問題的蟻群算法 24
2.3.1 引言 24
2.3.2 多處理機調度問題數學模型 24
2.3.3 解多處理機調度問題模擬退火算法 25
2.3.4 解多處理機調度問題蟻群算法 26
2.3.5 算法比較 26
2.4 可靠性優化的蟻群算法 28
2.4.1 引言 28
2.4.2 最優冗余優化模型及解法 28
2.4.3 可靠性優化的模擬退火算法 29
2.4.4 可靠性優化的遺傳算法 29
2.4.5 可靠性優化的蟻群算法 31
2.4.6 算例分析 32
2.5 求解旅行商問題的多樣信息素的蟻群算法 34
2.5.1 信息素更新的3個模型 34
2.5.2 多樣信息素更新規則 34
2.5.3 算法測試 34
2.6 本章小結 36
第3章 連續優化問題的蟻群算法研究 38
3.1 無約束非線性最優化問題 38
3.2 連續優化問題的信息量分布函數方法 38
3.3 一種簡單的連續優化問題的蟻群算法 39
3.4 數值分析 41
3.5 本章小結 42
第4章 聚類問題的蟻群算法 43
4.1 引言 43
4.2 聚類問題的數學模型 43
4.3 K均值算法 44
4.4 解聚類問題的模擬退火算法 44
4.5 基于巡食思想的蟻群聚類算法 44
4.6 解聚類問題的新的蟻群算法及數值分析 46
4.6.1 解聚類問題的蟻群算法 46
4.6.2 數值分析 46
4.7 解聚類問題的與K-均值算法混合的蟻群算法及數值分析 48
4.7.1 解聚類問題的K-均值算法混合的蟻群算法 48
4.7.2 數值分析 48
4.8 本章小結 49
第5章 蟻群算法與模擬退火算法混合 50
5.1 引言 50
5.2 解圓排列問題的蟻群模擬退火算法 50
5.2.1 圓排列問題及與旅行商問題等價 50
5.2.2 解旅行商問題的模擬退火算法 51
5.2.3 幾種算法的比較 52
5.2.4 算例分析 53
5.3 解旅行商問題的模擬退火蟻群算法 54
5.3.1 混合的基本思想 54
5.3.2 找鄰域解策略 55
5.3.3 模擬退火蟻群算法 55
5.3.4 算法測試 56
5.4 本章小結 57
第6章 蟻群算法與遺傳算法混合 58
6.1 引言 58
6.2 基本遺傳算法 58
6.3 蟻群算法與遺傳算法的混合 59
6.3.1 混合的基本思想 59
6.3.2 變異操作 59
6.3.3 交叉操作 60
6.3.4 遺傳蟻群算法 60
6.4 算法測試 61
6.5 本章小結 62
第7章 蟻群算法與混沌理論混合 63
7.1 引言 63
7.2 混沌及運動特性 63
7.3 基本蟻群算法改進 63
7.3.1 混沌初始化 63
7.3.2 選擇較優解 65
7.3.3 混沌擾動 65
7.4 混沌蟻群算法 66
7.5 算法測試 66
7.6 本章小結 68
第8章 最短路的蟻群算法收斂性分析 69
8.1 引言 69
8.2 最短路的蟻群算法收斂性分析 69
8.3 仿真算例 71
8.4 本章小結 76
第9章 解連續性優化問題的粒子群優化算法 77
9.1 模擬退火思想的粒子群算法 77
9.1.1 幾種模擬退火思想的粒子群算法 77
9.1.2 算法測試 78
9.2 混沌粒子群優化算法研究 79
9.2.1 基本粒子群算法不足 79
9.2.2 混沌粒子群優化算法 80
9.2.3 算法測試 80
9.3 其他改進的粒子群優化算法 82
9.3.1 雜交PSO算法 82
9.3.2 協同PSO算法 83
9.3.3 離散PSO算法 83
9.4 本章小結 84
第10章 解組合優化問題的粒子群優化算法 85
10.1 背包問題的混合粒子群優化算法 85
10.1.1 背包問題數學模型 85
10.1.2 解0-1背包問題的混合粒子群算法 85
10.1.3 數值仿真與分析 87
10.2 指派問題的交叉粒子群優化算法 89
10.2.1 求解指派問題的交叉粒子群優化算法 89
10.2.2 算法測試 90
10.3 武器－目標分配問題的粒子群優化算法 91
10.3.1 解武器－目標分配問題的粒子群優化算法 91
10.3.2 算例分析 92
10.4 流水作業調度問題的粒子群算法 93
10.4.1 流水作業調度問題 93
10.4.2 求解流水作業調度問題混合粒子群算法 93
10.4.3 算法測試 95
10.5 非線性整數規劃的粒子群優化算法 96
10.5.1 引言 96
10.5.2 求解非線性整數規劃的粒子群優化算法 96
10.5.3 算例分析 97
10.6 本章小結 99
第11章 解聚類問題的粒子群算法 100
11.1 引言 100
11.2 整數規劃形式 100
11.3 連續性優化形式 101
11.4 本章小結 103
第12章 蟻群算法與粒子群優化算法的混合 104
12.1 引言 104
12.2 求解旅行商問題的混合粒子群優化算法 104
12.2.1 混合粒子群算法思路 104
12.2.2 變異操作和交叉操作 104
12.2.3 混合粒子群算法步驟 105
12.2.4 算法測試 105
12.3 求解旅行商問題的粒子群－蟻群算法 108
12.3.1 粒子群－蟻群算法思想 108
12.3.2 粒子群－蟻群算法步驟 108
12.3.3 算法測試 109
12.4 本章小結 111
第13章 粒子群優化算法收斂性分析 112
13.1 引言 112
13.2 PSO算法收斂性分析 112
13.3 數值仿真 114
13.4 參數選取 117
13.5 本章小結 117
第14章 魚群算法 118
14.1 引言 118
14.2 魚群算法基本原理 118
14.3 人工魚的行為描述 119
14.4 魚群算法的應用 122
14.5 本章小結 122
第15章 總結 124
附錄A 求解旅行商問題的蟻群基本算法源程序 127
附錄B 計算連續性函數的優化的粒子群程序 131
附錄C 求解旅行商問題的粒子群?蟻群算法的源程序 134
參考文獻 143

1. 人工智能算法與實踐 [主編　梁琨　張翼英]