简述 这是《深度学习与人工智能》课程中很普通的一道作业题，但因为发现了一个更巧妙的搜索目标的形式，让求解过程快了很多，代码实现起来也简单了非常多，而且最终的搜索效果也更好。 关于蚁群算法和柔性作业车间调度问题不再赘述。 求解策略比较 如果用这篇文章中的方法，求解这个问题会很困难。因为同Job的不同工序是有先后顺序的，如果直接在上面这张表里搜索解，也就是说搜索出的是这张表里每一行标一个机器，那么接下来的时间计算就非常麻烦，需要从这张表去计算一个最优的调度顺序，这个过程代价很高，而且程序很难写。 在这篇文章中看到了一种搜索目标的表示形式，这篇文章虽然是讲遗传算法而不是蚁群算法，但是它对遗传算法染

提出一种改进的蚁群算法并将其应用于Web服务选择问题中.该算法使用非线性动态变化的伪随机比例选择参数及蚂蚁多重最优解随机加权路由选择算法控制蚁群的行为,使用5维Web服务质量向量和蚁群适应度函数评价蚂蚁构造的路径质量,蚂蚁根据其构造的路径质量进行信息素更新;该算法使蚁群在其解空间的进化能力得到很大的提高.实验证明,该算法在Web服务选择问题上比传统的蚁群算法效率更高.

特征选择是常用的预处理任务之一，其目的是减少智能算法和模型的输入量。这有助于简化模型，降低模型训练的计算成本，提高模型的泛化能力和防止过度训练。用于前馈人工神经网络（ANNs）训练的进化特征选择的MATLAB实现。

蚁群算法原理及其应用.pdf，是一门很好的演化计算方面的书

算法设计与分析-蚁群算法原理及应用.zip

智能优化算法研究（模拟退火法、神经网络、蚁群算法、遗传算法）

基于蚁群优化算法的多QoS选播路由算法研究

网络最大流问题是一个经典组合优化问题,是计算机科学和运筹学的重要内容。根据蚁群算法的特点,将网络最大流问题进行相应地转化,然后利用蚁群算法进行求解。仿真结果表明,该算法能方便快捷地解决最大流问题,是行之有效的方法。

为了提高图像的边缘检测性能,将蚁群算法引入图像边缘检测。阐述了提取图像边缘特征的方法和蚁群算法的基本原理,提出了一种基于改进的蚁群算法的边缘检测方法。将图像的形态学梯度值作为蚁群的信息激素强度值和启发信息值,使用最大类间方差法获得图像的边缘信息。实验结果表明该算法能成功地提取边缘信息并抑制背景纹理细节,具有较好的检测效果。

一些经典蚁群算法，从基本蚁群算法、最大最小蚂蚁系统、简化最大最小蚂蚁系统、基于最近邻最大最小蚂蚁系统、蚁群系统，排序蚂蚁系统、精英蚂蚁系统到自适应蚁群算法，用于TSP问题求解。