动态演示蚁群优化算法的过程，可以设置相关参数来获得最优路径

蚁群算法(ant colony optimization, ACO)，又称蚂蚁算法,一种用来在图中寻找优化路径的机率型技术。

利用matlab仿真蚁群算法解决TSP

MATLAB源码集锦-基于蚁群算法的函数优化分析

研究了在容量受限条件下的工厂选址问题.针对现有模型对覆盖问题、经济效益问题和发展状况问题考虑不足,提出了一种新的数学模型.由于容量受限的工厂选址是一个复杂的决策过程,较难得到满意解和最优解,提出一种新的改进蚁群算法对其进行求解.改进蚁群算法在传统蚁群算法的基础上结合了贪婪算法.仿真结果一方面说明了新的数学模型的有效性,另一方面证明了改进蚁群算法改善了传统蚁群算法易于陷入局部最优解的缺点,提高了寻优质量.

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