蟻群優化算法的案例
77基于matlab的蟻群優化路徑算法，二維路徑和三維路徑優化 ￥55.9
基于matlab的蟻群優化路徑算法，二維路徑和三維路徑優化。輸出可視化最優路徑和距離迭代曲線。數據可更換自己的，程序已調通，可直接運行。
新書推薦(3)——《現代優化計算方法》
現代優化計算方法（第二版）
作者：邢文訓，謝金星 編著
出版社：清華大學出版社
內容提要：
本書系統介紹了禁忌搜索算法、模擬退火算法、遺傳算法、蟻群優化算法、人工神經網絡算法和拉格朗日松弛算法等現代優化計算方法的模型與理論、應用技術和應用案例。
全書共7章，第1章是后6章內容的基礎，主要介紹算法復雜性的基本概念和啟發式算法的評價方法，后6章分別介紹各個現代優化計算方法。
本書可作為數學、管理科學、計算機科學、工業工程等學科中相關優化專業的研究生教材，也可供相關專業研究人員參考。
展開 蟻群算法.（論文集）
蟻群算法.part1.rar
蟻群算法.part1.rar
蟻群算法.part2.rar
蟻群算法.part3.rar
蟻群算法及其應用 ￥1
蟻群算法及其應用
259 基于matlab的知識遷移的蟻群參數選擇算法 ￥19.89
基于matlab的知識遷移的蟻群參數選擇算法。通過構建圖實現參數的自主映射。通過設置二維障礙物，隨機生成目標任務參數，通過蟻群算法進行路徑尋優。輸出路徑尋優結果。可自由設置路徑起始位置。程序已調通，可直接運行。
基于pytorch的蟻群算法求解TSP(旅行商問題) ￥49.9
基于pytorch的蟻群算法求解TSP(旅行商問題)，訪問一座城市并回到最初位置的最佳路徑，解決組合中的NP問題。程序已調通，替換自己的數據可以直接運行。標價為程序價格，不包含售后。程序保證可直接運行。
199基于matlab的蟻群算法路徑尋優的GUI實例程序代碼 ￥15.9
基于matlab的蟻群算法路徑尋優的GUI實例程序代碼，通過MATLAB GUI框架編寫，生動形象逼真， 很好的詮釋了蟻群算法的原理。可主動輸入優化方法的參數，包括地圖和測試數據，可輸出路徑結果。程序已調通，可直接運行。
蟻群優化 （ACO）ant.y ￥2
<div contenteditable="false" width="100%">
蟻群優化 （ACO）
</div><div contenteditable="false" width="100%">
Ant Colony Optimization 的靈感來自螞蟻的覓食行為。螞蟻通過放置信息素來找到它們群落和食物來源之間的最短路徑，這些信息素會引導其他螞蟻找到路徑。
</div><div contenteditable="false" width="100%">
以下是旅行推銷員問題 （TSP） 的 ACO 的基本實現：
</div><div contenteditable="false" width="100%">
<br>
</div><p><br></p>
展開 復雜系統建模理論與方法
本書既可作為高等院校理工科系統工程、管理科學與工程、自動控制專業博士研究生、碩
【圖書目錄】
1 緒論
1.1 概述
1.2 系統及有關概念
1.3 復雜系統的特點
1.4 復雜系統建模的理念
1.5 廣義模型的概念
2 基于智能技術的復雜系統建模
2.1 概述
2.2 神經網絡建模
2.3 基于Agent的建模方法
2.4 基于CGP的建模方法
2.5 遺傳算法
2.6 粒子群優化算法
2.7 蟻群優化算法
3 離散事件動態系統建模
3.1 概述
3.2 極大代數建模方法及其應用
3.3 基于Petri網建模方法
3.4 任務/資源圖建模法
3.5 基于知識的建模方法
3.6 基于系統理論形式化的建模方法
4 定性建模
4.1 基礎知識
4.2 定性因果關系
4.3 歸納推理定性建模
4.4 結構模型化技術
4.5 系統動力建模
4.6 定性建模的其他方法
5 非線性動力學系統建模
5.1 準備知識
展開 《復雜系統建模理論與方法》
目錄：
1 緒論
1.1 概述
1.2 系統及有關概念
1.3 復雜系統的特點
1.4 復雜系統建模的理念
1.5 廣義模型的概念
2 基于智能技術的復雜系統建模
2.1 概述
2.2 神經網絡建模
2.3 基于Agent的建模方法
2.4 基于CGP的建模方法
2.5 遺傳算法
2.6 粒子群優化算法
2.7 蟻群優化算法
3 離散事件動態系統建模
3.1 概述
3.2 極大代數建模方法及其應用
3.3 基于Petri網建模方法
3.4 任務/資源圖建模法
3.5 基于知識的建模方法
3.6 基于系統理論形式化的建模方法
4 定性建模
4.1 基礎知識
4.2 定性因果關系
4.3 歸納推理定性建模
4.4 結構模型化技術
4.5 系統動力建模
4.6 定性建模的其他方法
5 非線性動力學系統建模
5.1 準備知識
5.2 全域建模法
5.3 局域建模法
5.4 基于小波網絡的非線性系統建模法
5.5 基于GMDH的混沌時間序列建模法
6 其他復雜系統建模方法
6.1 概述
6.2 元模型建模
6.3 綜合集成法建模
6.4 分形建模方法
6.5 元胞自動朵
6.6 圖形建模方法
6.7 復雜適應系統理論及其應用
參考文獻
展開 26基于MATLAB的蟻群算法求解TSP(旅行商問題)，訪問一座城市并回到最初位置的最佳路徑 ￥20.9
基于MATLAB的蟻群算法求解TSP(旅行商問題)，訪問一座城市并回到最初位置的最佳路徑，解決組合中的NP問題。程序已調通，替換自己的數據可以直接運行。標價為程序價格，不包含售后。程序保證可直接運行。
26基于MATLAB的蟻群算法求解TSP(旅行商問題)，訪問一座城市并回到最初位置的最佳路徑 ￥20
基于MATLAB的蟻群算法求解TSP(旅行商問題)，訪問一座城市并回到最初位置的最佳路徑，解決組合中的NP問題。程序已調通，替換自己的數據可以直接運行。標價為程序價格，不包含售后。程序保證可直接運行。
常用參數自動標定算法總結（單純形，遺傳算法，貝葉斯優化算法，粒子群算法等）
在本推文中介紹四類常用參數自動標定方案，分別是單純形方案，粒子群方案，遺傳算法方案，以及貝葉斯優化ego方案。
單純形方案實現最簡單，適用于少參數，更窄的初始區間
粒子群方案，遺傳算法方案適用于多參數更大的空間適合全局搜索
ego方案相比于其余三類方案的優勢體現為
EGO使用代理模型（如高斯過程回歸）來預測目標函數，極大減少了實際函數評估次數。
EGO在每一步都智能選擇下一個最值得評估的位置（如使用EI, Expected Improvement）。
這種探索與利用的動態平衡比GA中盲目變異與交叉更具理論指導。
由于EGO最大化信息利用率，在樣本數量極少的情況下表現優于GA。
當樣本數量少，且有約束優化時適合使用ego方法。例如在評估晶體塑性模型參數時
不過這些優化算法經常容易陷入局部最優，即優化算法在搜索過程中被某個“看起來很好”的解吸引，不斷圍繞它進行微小改進，最終卡在“局部低谷”而不是“全局最低點”。
一個更合理的做法是：使用粒子群和遺傳算法在全局進行初始搜索，使用ego回歸分析進行特定區間的優化，最后使用NM方案進行小區間尋找，如果陷入局部最優解，引入全局擾動方案或者爆炸方法跳出局部區間重新搜索即可。
基于該思路編寫對應的程序，實現參數的自動標定過程：
這里實現對vpsc模型的復雜參數自動標定；
這里使用相對復雜的鎂合金為例，考慮3組滑移+一組孿晶，每個系統考慮tau_0,tau_s,h_0,一共12個待標定參數給定參數區間如下
設置最大迭代次數為2000次，初始優化來自粒子群算法，依次是遺傳算法單純形算法和貝葉斯優化算法。
展開 基于Swarm的城市無人機4D路徑規劃
一些算法，如偽譜法、禁忌搜索算法和模擬退火算法，僅從一個初始解開始，不能滿足需求。此外，最終最優解對初始解很敏感，增加了獲得最優解的難度。
A.蟻群算法中基于擁擠機制的聚類算法
首先確定聚類中心，良好的初始聚類中心既能加快算法的收斂速度，又能避免解陷入局部最優;一種直觀的想法是，從幾個不同的最佳初始解中選擇聚類中心，其他初始解可以根據它們到聚類中心的距離放入相應的聚類中。請注意，每個集群中只有一個中心，并且一個初始解決方案只屬于特定的集群。
這些聚類具有以下特點:雖然一個解決方案可能接近多個聚類中心，但它只屬于中心適應度值較小的聚類。此外，聚類的數量不是預先確定的，而是由解的適應度值決定的。與固定的集群數量相比，自適應的集群數量可以使每個集群區別于其他集群。最后，排在前幾個位置的解決方案是不同的，可以成為集群中心。這有利于在以后的迭代過程中獲得更好的解決方案，因為每個集群中至少有一個好的解決方案。
B.基于改進蟻群算法的多路徑規劃
由于整個群被劃分為一定數量的聚類，因此基于蟻群算法制定每個聚類的更新策略。蟻群算法雖然在工業上應用于許多優化問題，但仍存在容易陷入局部最優解和收斂速度較慢的缺點。在蟻群算法的框架下，針對上述缺點進行了改進。這些改進將在描述蟻群算法解決多路徑規劃問題的步驟時得到重點說明。
其他參數，如antsNA的數量，最大迭代次數simax，有效因子α，啟發式因子β，信息素矩陣τ，信息素常數q和信息素蒸發ρ，也需要初始化。注意信息素矩陣τ的大小與記錄路徑影響的搜索空間相同。
展開 一本優化方面的不錯的書（有粒子群算法和遺傳算法）
第12章 二次規劃 178
12.1 拉格朗日法 178
12.2 起作用集算法 180
12.3 路徑跟蹤法 184
12.4 MATLAB優化工具箱函數應用實例 187
12.5 小結 190
第3篇 優化計算高級篇 191
第13章 粒子群優化算法 192
13.1粒子群算法概述 192
13.2 基本粒子群算法 193
13.3 帶壓縮因子的粒子群算法 197
13.4 權重改進的粒子群算法 200
13.4.1線性遞減權重法 200
13.4.2自適應權重法 203
13.4.3隨機權重法 206
13.5學習因子改進的粒子群算法 208
13.5.1同步變化的學習因子 209
13.5.2異步變化的學習因子 211
13.6 二階粒子群算法 213
13.7 二階振蕩粒子群算法 216
13.8 混沌粒子群算法 218
13.9 混合粒子群算法 222
13.9.1基于選擇的粒子群算法 222
13.9.2基于交叉遺傳的粒子群算法 224
13.9.3基于模擬退火的粒子群算法 227
13.10 小結 230
第14章 遺傳優化算法 231
14.1遺傳算法概述 231
14.2基本遺傳算法 232
14.3順序選擇遺傳算法 235
14.4適值函數標定的遺傳算法 238
14.5大變異遺傳算法 242
14.6自適應遺傳算法
展開 