第八章 蚁群算法.pdf

利用云中资源进行高效任务调度是保证云计算系统可靠运行的关键问题。提出一种基于改进蚁群优化算法的任务调度方法。算法采用蚂蚁系统的伪随机比例规则进行寻优，防止算法过快收敛到局部最优解，同时结合排序蚂蚁系统和最大最小蚂蚁系统的设计思想完成信息素更新，有效求解优化问题。实验结果显示，该算法具有很好的寻优能力，提高了云资源的利用率。

基于Java，解决TSP问题，使用蚁群算法，Java源文件。绝对可以运行

使用连续型 Hopfiled 神经网络、蚁群算法、遗传算法，编程求解 TSP 问题。包含实验报告和源代码，可运行，IDE为NetBeans8.0

网格计算是解决科学计算、工程计算和商业计算等大规模计算的下一代极具潜力的计算平台。网格核心服务是网格的重要组成部分,是连接网格底层和高层功能的纽带,是协调整个网格系统有效运转的中枢,对这部分网格技术的研究具有重要意义。任务调度技术是网格核心服务之一。 大量任务请求使用网格资源时,必须对它们进行合理调度才能达到资源的优化利用。一个良好的任务调度策略能高效地协调和分配网格资源,有效降低网格计算的总执行时间和总耗费,从而使网格达到最大的性能。任务调度技术对网格系统的应用至关重要。 目前存在的网格任务调度策略,如遗传算法、蚁群算法、模拟退火算法、禁忌算法等,皆优缺点分明,都不能够单独实现对网格任务的最优调度,而且没有将遗传算法和蚁群算法结合在一起来解决网格任务调度问题的策略。本文详细分析了遗传算法和蚁群算法在各自不同时期的搜索优、劣势,并在自己设计的模型中存优去劣地实现新的网格任务优化调度。其创新点在于网格任务调度的前阶段利用遗传算法群体性全局搜索能力,能够快速形成初始解,在满足终止遗传算法的条件之后,将遗传算法调度的“最终结果”转化为蚁群算法所需要的初期信息素,然后利用蚁群算法所具有的正反馈性,高效等特点迅速地形成任务调度的最优解。新算法的目标就是使任务调度策略充分考虑网格计算的特点,更合理地分配网格资源,从而提高网格系统的总体性能。为了评估算法的性能,本文在研究仿真软件SimGrid之后设计了自己的模拟程序对新算法进行了性能评估和验证。论文主要阐述了网格调度策略设计前的准备工作(解析网格计算环境和几种基本的调度算法),调度策略设计与实现以及最后的调度策略性能仿真。具体工作如下: 1)解析网格计算环境,阐述网格定义、特征及体系结构。 2)简述网格任务调度及几种经典的网格调度算法。 3)根据基本遗传算法和蚁群算法的本质特征以及网格计算环境对任务调度的要求,设计了基于遗传算法和议群算法的网格任务调度策略

针对多个源节点的最短路径求解问题，通过经典的蚁群算法来求解。

蚁群算法,ai,人工智能 计算机非常有趣的人工智能算法，地图上一个蚁巢和一个食物源。开始蚂蚁们从蚁巢出发去寻找食物。 因为开始地图上不存在食物源信息素，所以蚂蚁们寻食的路径是随机的。 等待一段时间后，她们会找到食物源，并会寻找一接近于最短的从蚁巢到食物源的路径。。

多约束条件下蚁群算法解无人机轨迹规划，其中包含了2019年研究生数学建模竞赛解答的python代码，提供了蚁群算法解决无人机多约束条件下的航迹规划问题

这是一个word文档，里面是利用matlab语言编写的蚁群算法功能函数，新建一个m文件，粘贴到里面，然后直接调用就可以，我运行过，没错误

matlab蚁群算法代码MT21104_17MT30001_30002 创建此存储库是为了提交工程过程建模中的遗传算法课程的术语分配。 用于图像对比度增强的混合蚁群优化、遗传算法和模拟退火可以在此 repo 中找到使用自然启发方法增强灰度图像对比度的 MATLAB 代码。 受自然启发的方法是蚁群优化、遗传算法和模拟退火，它们生成全局传递函数将输入图像转换为更高对比度的图像，同时尽量保持图像的自然外观。 该方法的工作原理是在搜索空间中放置一些人工代理（又名人工蚂蚁）以生成一个传递函数，该函数可用于将任何图像转换为更高对比度的图像。 到达最后一点后，创建传递函数并评估其适应度。 根据传递函数的好坏，信息素会沉积在蚂蚁走过的路径上。 点上的信息素增加了蚂蚁在下一次迭代中选择在附近经过它的机会。 代码 im-enhance 文件夹下的 imenhance.m 文件中的 MATLAB 代码包含执行图像对比度增强的函数。 该函数采用输入图像和两个可选参数，一个用于迭代次数，另一个用于禁用模拟退火（如果希望提高速度并可能以一些性能成本为代价）。