1. 研究目的与意义

近年来，群体智能成为了人工智能研究的一个热点课题，它对于没有集中控制并且不提供全局模型的问题，提供了一种复杂的分布式解决方案。科学家们受社会性昆虫群体智能的启发，通过对其行为的模拟，已得出了一系列用于解决传统复杂问题的新方法，蚁群算法便是其中很具有代表性的一种。

蚁群算法（ant colony algorithm）是意大利学者m.dorigo等人于20世纪90年代初在新型算法研究的过程中，通过模拟自然界蚂蚁的觅食过程：即通过信息素（pheromone）的相互交流从而找到由蚁巢至食物的最短路径，提出的一种基于信息正反馈原理的新型模拟进化算法。该算法不依赖于具体问题的数学描述，具有全局优化能力和本质上的并行性，同时比遗传算法、模拟退火算法等早期进化算法具备更强的鲁棒性、兼之求解时间短和易于计算机实现等优点，已被广泛应用于神经网络训练、函数优化和多目标优化等方面，目前在资金分配、货物装载、项目选择以及物流管理中也开始应用，并取得了一定成果，显示了其在求解复杂优化问题（特别是组合优化问题）方面的优越性，证明它是一种具有广阔发展背景的好方法。

蚁群优化算法最初用于解决tsp问题，该问题是作为所有组合优化问题的范例而存在的。它已经成为并将继续成为测试新算法的标准问题。这是因为，tsp问题展示了组合优化的所有方面。它从概念上来讲非常简单，但是其求解的难度是很大的。如果针对tsp问题提出的某种算法能够取得比较好的实算效果，那么对其进行修改，就可以应用于其他类型的组合优化问题并取得良好的效果。

2. 研究内容和预期目标

研究内容

1. tsp问题的简单描述

tsp问题（traveling salesman problem），即旅行商问题，又译为旅行推销员问题、货郎担问题，是数学领域中著名问题之一。假设有一个旅行商人要拜访n个城市，他必须选择所要走的路径，路径的限制是每个城市只能拜访一次，而且最后要回到原来出发的城市。路径的选择目标是要求得的路径路程为所有路径之中的最小值。

3. 国内外研究现状

随着人们对生命本质的不断了解，生命科学也以前所未有的速度迅猛发展，使人工智能的研究开始摆脱经典逻辑计算的束缚，大胆探索起新的非经典计算途径。在这种背景下，社会性动物的自组织行为引起了人们的广泛关注，许多学者对这种行为进行数学建模并用计算机对其进行仿真，这就产生了所谓的#8220;群智能#8221;。

群智能指的是#8220;无智能的主体通过合作表现出智能行为的特性#8221;，是一种基于生物群体行为规律的计算技术。它受社会昆虫，例如蚂蚁、蜜蜂和群居脊椎动物，又如鸟群、鱼群和兽群等的启发，解决分布式问题。它在没有集中控制并且不提供全局模型的前提下，为寻找复杂的分布式问题的解决方案提供了一种新的思路。

有些专家在研究自然界的生物群体系统时，惊奇地发现社会昆虫和群居的脊椎动物能发现新的食物源、在群体内部产生劳动分工，建筑庞大复杂的巢穴、跨越几千公里迁徙到指定地区和在狭窄的空间内协调调度等。这些社会性动物的自组织行为引起了人们广泛的关注，许多学者对这种行为进行数学建模并用计算机对其进行仿真，发现群智能有如下特点和优点

4. 计划与进度安排

1. 选题阶段：确定选题并提交

时间：第七学期（第12-13周） 进度：已确定

2. 开题阶段：撰写、提交、修改开题报告

5. 参考文献

[1] dorigo m.ant algorithms and atigmergy[j]．future generation computer system.2000,16（8）：851-871

[2] dorigo m.ant colony system;optimizationby a colony of cooperating agents.ieee .trans.on systems, man,and cybernetics， part b，1996，26（1）：29－41

[3] dorigo m.gambardella l.m.ant colony system;a cooperative learning approach to the traveling salesman problem[j]．ieee trans．on evolutionary computation，1997，1（1）：53－66