针对蚁群算法容易陷入局部最优,收敛速度慢,难以解决大规模问题,提出依据信息熵和停滞次数的动态信息素的更新策略和基于最优路径集合的奖惩策略的蚁群算法,在动态信息素更新策略中,利用收敛系数来动态调节信息素,从而有效的平衡算法的多样性和收敛性.在搜索过程中,通过持续增大收敛系数,加快了收敛速度;当信息熵降低或者停滞次数达到一定数值时,通过降低收敛系数,从而跳出局部最优.同时基于最优路径集合,对较优路径奖励,对其他路径惩罚,通过减少蚂蚁每一步可选城市的数量,加快了收敛速度.并且使用三种局部优化方法,从而进一步提高解的精度.经过实验测试,该算法用于解决旅行商 TSP(Travelling Salesman Problem)问题,具有较高的求解精度,并能有效平衡解的精度和收敛速度的矛盾.

在经典蚁群算法程序基础上修改： 确定起点终点 无闭环，即走遍之后不返回起点

蚁群算法 旅行商问题 人工智能 java 代码+报告+注释.doc

该程序是用蚁群算法求解了旅行商问题，对人工智能算法的理解有很大帮助，程序完整清晰，还附有详细的实验报告、测试数据及可执行程序

蚁群算法解决旅行商问题的硕士论文感觉挺好的

蚁群算法的优化计算——旅行商问题(TSP)优化，注释齐全

包括了图形用户界面的 蚁群算法解决旅行商问题 语言：java 内容：附录中包括了完整代码和详细注释； 运行测试情况； 详细阐述了各段代码的输入输出数据的格式要求； 各个类的定义和功能的说明

蚁群算法求解旅行商问题的代码，MATLAB 2016b可以运行。在蚁群算法解决 TSP 问题中，选择下一个城市的依据主要有2 点：1) t 时刻连接城市 i 和 j 的路径上残留信息的浓度，由算法本身提供；2) 由城市 i 转移到城市 j 的启发信息，该启发信息由待解决问题给出，由该待解决问题具体相关算法实现。

TSP问题是指假设有一个旅行商人要拜访n个城市，他必须选择所要走的路径，路径的限制是每个城市只能拜访一次，而且最后要回到原来出发的城市。路径的选择目标是要求得的路径路程为所有路径之中的最小值。本文使用蚁群算法求解TSP问题（matlab代码）

研究分析了基本的蚁群算法原理，主要介绍了蚁群算法的发展历史和特点，综合了近期关于蚁群算法研究。在阐述了蚁群算法的研究现状基础上，最后指出了它的优点和问题，对蚁群算法推广应用具有重要意义。