为了提高瓦斯涌出量预测的精度和预测模型的泛化能力,提出了一种基于蚁群算法(ACO)优化支持向量机(SVM)参数的瓦斯涌出量预测方法。在SVM所建立预测模型中各个参数的取值区间内,采用蚁群优化算法计算预测模型各个参数的最佳值,基于最佳参数的SVM建立瓦斯涌出量预测模型。结果表明:采用未优化的SVM建立的预测方法,其个别预测误差相对较大,最大误差为8.11%,平均误差为4.68%,采用ACO对于预测模型的参数进行优化后,预测性能有显著提高,最大误差为4.37%,平均误差为2.89%,表明所建议的方法是有效、可行的。

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！

基于改进蚁群优化算法与子图演化，提出了一种新型非监督社交网络链路预测（SE-ACO）方法。该方法首先在社交网络图中确定特殊子图；然后研究子图演化以预测图中的新链接，并用蚁群优化算法定位特殊子图；最后针对所提方法使用不同网络拓扑环境与数据集进行检验。结果表明，与其他无监督社交网络预测算法相比，所提SE-ACO方法在多数数据集上的评估结果较好，且运行时间较短，这表明图形结构在链路预测算法中起重要作用。

每只蚂蚁都从一个初始为空的解决方案开始，当前的部分解决方案将通过选择一个具有以下规则的可行解决方案组件来扩展： 更喜欢等待时间短的客户（等待=离开时间窗口-到达时间），因为我们不希望客户等待很长时间 偏好时间窗宽度小的客户（宽度=右时间窗-左时间窗） 如果随机值[\tau_{ij}]^\alpha [\eta_{ij}]^\beta [1/width_j]^\gamma [1/wait_j]^\delta$​​ 否则，使用轮盘赌选择和 选择下一个点​​​​ 参数​​确定相应组件的影响。 ​ , 信息素 ​ ，启发式信息，等于距离的倒数 ​ ，一个随机值 , 一个常数、 更多详情、使用方法，请下载后阅读README.md文件

用法 graph = YAML.load_file('test_data/test1.yml') colony = AntColony::Colony.new(graph, beta: 0.8, alpha: 0.7, pop: 200, ph: 0.3, q: 5) colony.solve colony.find_path 1 # path from point 1 更多详情、使用方法，请下载后阅读README.md文件

运用蚁群优化算法解决TSP问题的详细教程。

为解决物流配送路径距离过长导致配送效率低的问题，提出改进蚁群优化算法的电子商务物流配送路径优化方法。以配送费用最低为目标建立电子商务物流配送路径优化的数学模型，通过蚁群算法模拟蚂蚁搜索食物行为，设计电子商务物流配送路径模型，并通过修正信息素挥发系数、确定性和探索性搜索对蚁群算法进行了相应的改进，进行了电子商务物流配送路径优化仿真实验。结果表明，改进蚁群优化算法可以明显提高物流配送效率，缩短配送距离，降低电子商务物流配送成本。

有关蚁群优化算法收敛性分析的研究还很少,不利于进一步改进其算法.为此, 较详细地分析了用蚁群优化算法求解TSP问题的收敛性,证明了当0

基于蚁群优化算法的路线规划避障仿真,matlab2021a测试，输出优化迭代曲线，同时得到避障路线规划结果。 MM=size(G,1); % G 地形图为01矩阵，如果为1表示障碍物 Tau=ones(MM*MM,MM*MM); % Tau 初始信息素矩阵 Tau=8.*Tau; K=100; %迭代次数（指蚂蚁出动多少波） M=50; %蚂蚁个数 S=1 ; %最短路径的起始点 E=MM*MM; %最短路径的目的点 Alpha=1; % Alpha 表征信息素重要程度的参数 Beta=7; % Beta 表征启发式因子重要程度的参数 Rho=0.3 ; % Rho 信息素

基于蚁群优化算法的最短路径搜索，matlab2021a仿真测试