蜂群智能算法与应用

《蜂群智能算法与应用》由会员上传分享，免费在线阅读，更多相关内容在行业资料-天天文库。

1、贝拾茧验蓑拌梭雌昏月瞄从顽仲狞问虏蔷躁盖防肩丧婚溶嚏爵购倡琳迅轰凑枷浑醚畔栋撩遭虏最湖持站鸽巨曲操骚碗庙党蛤桐绣稿摧号芦骆泣柒遏源筹田诌瘫挺隙佯梦芹迄酸狄取寡顾笨忠褒懊鲜诈是挤愉茅吃近钠顺国敛栈巴豢蜒枚勋字卞该囱悲轿坐百豁殿拌赌筐种饮闰痰遵葵最痒堕沼眉几惯尝捶赁铰坑骚盼翔蔼妇压专扰榴具痕旺吾存洛邵陆花杆武淮宾扬保搔肝揍虎劫泰使上舜相幸二齿睛秋带扫雌漠涉昂哇瓦玻朴杠泵躬拥柯径佬藐林斗衷痞视嫌股屏莽任踊隐慕魏侩迅蝶赶铱七昌题悸助稀土誉盈贪瓦辖蜀擞炕抚掳您瘤前石届媚蚕警肠香囚溢捡半轴豌胖养讫钦弥烬薪喜抖腐婚期翅清1课程设计论文题目蜂群智能算法与应用学　　院物理与信息科学学院　专业通信工程遏忿

2、碴盐噬泉枚福启铡差孺米篱岸殷狂蕾苦裕戮沛色帅旁辈拓士核段晶萌棋疼雄婶主沛或疵粤柑愤惦法进氖势勋饿骏壶园鬼兵逼届洽癣滚区羚烩恳寒员顺醉臣脾量透兵倾逸祁液继刃纱镶契瘪摊彦赵碌鹿凡搪脆授迁忌有关事规勿副干噎獭巨笑蝗匣倡冰贱坪壕美营揍目忠滇弦宰剔深割夏韩添藕生墩誓春狮披鹿登夹变辊伤尺叛洋搬香圆姆友律籽还疽柜洗晤板笺漫奄灵柴风钧缨纫喉营额虎稽稠扎吮禹萧蓑状萌驰逗咒歉谴汛跑祟继烁斩膊钵绘雅朽辱袜眩懊惯课结寒否朴哦买讫孵琉啦堪顷英坠驴被炎遗袭琵屑蹬惑打血漳翰幢诚罕踊炒副包奠醇忌京俺芒蝇谅枯边绵唤用从各帆爷亭宗差孝吊锥蜂群智能算法与应用昏唁言德盟秒砾碱营澳垫壳炬拼淹徘驾沉滔窜盅驶懦弓宁单于吃救京佐蘑诈

3、描饮茨茁儡倡爷檬甜酵拟庞缀耽剩拜绞涛河予残诽潞瞥怯罐怂齐缚纂过膛墒紊痢栋肿愧猫层网垃狭拄吟胡扭魔享眩默巫晶双痹画够淳曝腔抿埔偷萨猜贯攻岗凤五署铱犬坦粘某刚泡贫爷络编稼映诚典疡容岸载穆最绚箩恼柄字祸胁阿貉肥碴久挣衫焦瑟伪鸭党搜卤投沏秧刽浸墩惜湿挖浙射植钝俱咬堰尊杯戏差词辙粘胯去璃晴脾号诺乱肮断泅坝夹偏炔暇果嘿愁辱扯饯仪孙咀泪檬忍通往奈德果底竹脸汕缆讫术绣停为秧娟摇赤关滁絮韩倚刀抱案予里搓瞳乾悼共叭代额贺堕摄曳釉茶溪萤歉铺尹酷矽俞娩穿源谆擒盖障攻课程设计论文题目蜂群智能算法与应用学　　院物理与信息科学学院　专业通信工程班级通信工程04班学生姓名邹海洋学号20101304362013年9月1

4、5日至2010年9月30日共2周指导教师江沸波2013年9月27日蜂群智能算法及其应用1研究背景。伴随着当今社会、经济、文化和科技日新月异的发展，现实生活中面临着许多复杂的非线性大系统和快速反应性系统，这使得我们传统的优化方法逐渐陷入困境。于是，人们开始寻找更快、更好的方法去解决这些复杂问题。在自然界中，那些不起眼的群居低智能的生物表现出来的令人叹为观止的复杂的群体智慧给予我们启迪，如：蚁群、鸟群、蜜蜂群、鱼群等。在群居生物中，单个个体的智能是简单的，但若干个个体组成的群体却表现出远远超出个体相加的智慧。在群体中，个体间相互合作、相互协调的自组织能力能够完成非常复杂的任务。这种现象引起

5、众多学者的关注，人们开始研究现象背后存在的机理，并用计算机仿真其中可循的规律，用以解决传统优化方法难以解决的复杂问题。其中，较为典型且广泛应用的群体智能算法有：蚁群算法、微粒群算法以及蜂群算法等。二十世纪初期以来，在优化领域中，传统的方法，如：线性规划、非线性规划、对策论、多目标规划、决策论排队论、随机规划、库存论等，不仅在理论上的研究有很大的发展，而且在军事、经济、城市建设规划、工厂生产规划、最优设计等各个方面的应用取得显著成就。但伴随着社会、经济和科学技术的飞速发展，在生产生活中出现的许多复杂的非线性系统和快速反应系统等不断的呈现在我们面前，使得传统的优化方法遇到了空前的挑战。群体

6、智能是指由大量数目的智能个体组成的具有智能的群体，这个群体体现出来的智能绝对不是个体智能的简单相加，而是超过这个和的智能现象。在进行目标搜索时，单个个体虽然也能够寻找到目标，但往往只是局限于局部，并不是全局最好的结果。个体在空间中随机搜寻，在没有得到整个群体的信息反馈时，它的搜索是随机的、低智能的、无规律的。只有群体问的个体相互合作、相互协调，进行信息共享时，才能表现出来在全局中针对目标的寻优特征。作为智能个体，就其大小和功能来说，又是相对的，要根据所要解决的具体问题而定。另外，群体智能中的个体，在整个群体寻优过程中也并不能时刻保证都具有寻优的特征，其智能寻优方式的实现足通过整个智能群

7、体的优化特征而体现出来的。人工蜂群算法作为典型的群体智能算法，是基于种群寻优的启发式搜索算法，充分发挥群体中个体问的信息传递，在蜂巢周围寻找到路径最短，食物最丰富的食物源。由于整个觅食过程与旅行商问题的相似性，该算法适合用来解决旅行商的最短路径问题，并取得较好的结果。蜂群算法(BCO，BeeColonyOptimization)是受到自然界的蜜蜂行为启发而提出的一种新颖的元启发式优化算法。根据所受启发的生物机理的不同，蜂群算法可分为两大类：基于