针对无人机SEAD任务的路径规划问题，利用VORONOI图构建初始路径，分析了路径代价计算方法，并使用改进的多目标蚁群算法对路径进行优化选择。针对该特殊应用场景，引入了各路径段与起始点—目标点连线的夹角信息作为新的启发信息，加快了算法的搜索速度，同时改进启发信息的计算公式，适当缩小各可选路径段启发信息量的差异，加强了蚁群算法的全局搜索能力。仿真结果显示，与基本多目标蚁群算法相比，改进后的算法有效提高了路径搜索的效率和质量。

基于改进蚁群算法的油品调和配方优化研究，刘甲林，李琦，油品调和是生产成品油的关键环节，调和配方的优劣决定了炼油厂最终利润的大小。针对油品调和复杂非线性约束配方优化问题，提出了

利用经典人工智能生物蚁群算法,引入单体混沌理论对一般的人工蚁群算法进行优化,构建了以煤体有效应力、瓦斯气体内外压力、温度、气体吸附力为输入的人工智能蚁群算法瓦斯渗透率预测模型。利用三轴伺服渗流装置取15组数据对模型进行训练,迭代2 000次后观察实验结果。测试结果最大相对误差在3.5%以内,测试曲线拟合很好。

无人机任务分配传统算法（遗传算法、粒子群算法、蚁群算法）

研究生毕业时用到的蚁群算法来处理图像。 上传的源码为蚁群算法的经典TSP模型，打包下载后直接在vc中建立控制台工程即可。 处理蚁群算法的基于MFC IDE的代码可以另外联系我。

路由选择是一种基于网络层的协议，而所有流行的网络层路由选择协议都是基于以下两种典型的分布式算法之一：距离向量路由算法和链路状态路由算法。组合优化问题是人们在工程技术、科学研究和经济管理等众多领域经常遇到的问题，其中许多问题如旅行商问题、0-1背包问题、图着色问题、装箱问题等，都被证明为NP-困难问题。用确定性的优化算法求NP完全问题的最优解，其计算时间使人难以忍受或因问题的高难度而使其计算时间随问题规模的增加以指数速度延长。用近似算法如启发式算法求解得到的近似解不能保证其可行性和最优性，甚至无法知道所得解同最优解的近似程度。因而在求解大规模组合优化问题时，传统的优化算法就显得无能为力了。在过去的10多年，蚁群算法（ACO）的研究和应用取得了很大的进展，大量结果证明了算法的有效性和在某些领域的优势。蚁群算法是一种新型的模拟进化算法, 研究表明该算法具有并行性, 鲁棒性等优良性质。本文阐述了蚁群算法的原理,详细的说明了蚂蚁算法中各个功能模块，并介绍了该算法在理论和实际问题中的应用, 并对其前景进行了展望。 路由算法往往具有下列一种或多种目标: 最佳性、简单性、稳定性、快速收敛性及适应性等。

构建容量受限的旅行商问题模型，加入容量约束，采用蚁群算法优化，matlab实现！

针对旅行商问题(TSP)，提出了一种新的混合量子优化算法――量子蚁群算法。量子蚁群算法采用量子比特的概率幅表示蚂蚁的当前位置，采用量子旋转门更新蚂蚁的位置，选取国际通用的TSP实例库中多个实例进行测试。仿真实验表明，该算法具有很好的精确度和鲁棒性，可使搜索空间加倍，比传统的蚁群算法具有更好的种群多样性。

蚁群算法最短路径万能matlab源代码.rar

为了在无线传感器网络中找到一条距离短，节点能量消耗少的最优路径.通过采用“三步递进式”的寻点方法，提出了一种优化的蚁群算法DDEARA.首先，利用动态半径搜索因子寻找下一跳候选节点，能够保证蚁群算法收敛且节点位置分布均匀.其次，引入节点能量预测因子，避免节点能量不足时仍被超负荷使用的不合理现象，即当消耗完某个节点的所有能量，却未能成功传完所有数据.最后，在寻找下一跳候选节点过程中引入方向因子，带有方向性的寻点，避免了反方向的无关节点被选中为下一跳候选节点，减小最优路径距离，节约节点能耗，提高算法寻优效能.仿真结果表明DDEARA算法能够实现蚁群算法动态收敛，相邻节点之间间距适中，节点能耗均匀，过滤反向无关节点，减小最优路径距离，全面提高算法寻优能力，延长无线传感器网络的使用性能和寿命.