软时间窗车辆路径问题（VRPSTW）是VRP的一种重要扩展类型，定义了其惩罚函数并建立数学模型。设计用于求解该问题的混合改进型蚁群算法并求解标准数据库中的紧时间窗实例。经过大量数据测试，获得了较好的效果，并验证了蚁群算法用于求解软时间窗车辆路径问题的成功实现。

蚁群优化(Ant Colony Optimization) 蚁群算法创始人Marco Dorigo，Thomas Stutzle著作

很好的基于蚁群优化的DBN转移网络结构学习算法，算法描述很详细，特别适合初学者

2017WSN中负载均衡的蚁群优化算法 蚁群优化算法

【图像分割】基于蚁群优化模糊聚类的图像分割matlab源码.md

ACO-VRP 目的：在车辆路径规划问题上应用蚁群算法进行解决 路径规划问题（Vehicle Routing Problems，VRP） 路径规划根据是否有时间要求有很多种类型，有的包含投递要求的时间窗，较为复杂，添加一些限制条件也能够实现。 此处的是关于单台车，运载一定量的货物递送各个目的地，可以一趟跑多个点，也可以只跑一个点。 旅行推销员问题（最短路径问题）（英语：Travelling salesman problem, TSP） 旅行推销员问题给定一系列城市和每对城市之间的距离，求解访问每一座城市一次并回到起始城市的最短回路。它是组合优化中的一个NP困难问题，在运筹学和理论计算机科学中非常重要。 路径规划问题和旅行推销员问题 两个存在极大的相似性，不同之处在于，旅行商通常没有货物运载量的限制，不需回会到仓库装载货物。因此旅行商问题可以看做是车辆路径规划问题的特殊形式。本算法从这个思路

20世纪50年代中期创立了仿生学，人们从生物进化的机理中受到启发。提出了许多用以解决复杂优化问题的新方法，如进化规划、进化策略、遗传算法等，这些算法成功地解决了一些实际问题。 20世纪90年代意大利学者M．Dorigo，V．Maniezzo，A．Colorni等从生物进化的机制中受到启发，通过模拟自然界蚂蚁搜索路径的行为，提出来一种新型的模拟进化算法—— 蚁群算法，是群智能理论研究领域的一种主要算法。用该方法求解TSP问题、分配问题、job-shop调度问题，取得了较好的试验结果．虽然研究时间不长，但是现在的研究显示出，蚁群算法在求解复杂优化问题（特别是离散优化问题）方面有一定优势，表明它是一种有发展前景的算法．

能源系统配置的蚁群优化 项目研究了分散式沼气燃料 CHP（热电联产）发电厂为波动的 PV（光伏）负载提供平衡电力的潜力。 除此之外，在 ETHZ-LAV 能源系统集团，我们负责选择合适的生产基地。 这相当于一个组合优化问题，受区域有限的沼气潜力、预期安装地点的热量需求和电网限制的约束。 这个存储库是一个辅助项目的所在地，我们在其中探索 ACO（蚁群优化）作为解决上述和类似问题的有前途的方法——本质上，我们的目标是能源系统的非线性优化设计。 有关更详细的介绍和项目背后的主要思想，请参阅。

蚁群优化算法的matlab代码，可以运行的

遗传算法，粒子群优化，模拟退火，蚁群优化算法，免疫算法，人工鱼群算法，差分进化和TSP（旅行商）scikit-opt群体智能化Python（遗传算法，粒子群优化，模拟退火，蚂蚁）殖民地算法，免疫算法，Python中的人工鱼群算法）文档：https：//scikit-opt.github.io/scikit-opt/#/en/文档：https://scikit-opt.github.io/scikit -opt /＃/ zh /源代码：https://github.com/guofei9987/scikit-opt帮助我们改进scikit-opt https://www.wjx.cn/jq/50964691.aspx install pip install scikit-opt对于当前的开发人员版本：