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。

基于蚁群优化的改进决策树算法研究，张忠坤，周亚建，本文提出了一种新的基于蚁群优化的改进决策树算法(ACODT, Ant Colony Optimization Decision Tree)，该算法充分利用了蚁群算法的信息素反馈和启��

出租车路径规划算法，蚁群算法寻优

用蚁群算法优化BP神经网络，然后用于预测，非常实用，适合初学者。

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

目前实现了以下算法： 模拟退火 (SA) 遗传算法 (GA) 蚁群优化 (ACO) 禁忌搜索 (TS) 进化策略 (ES)（仅限连续） 粒子群优化 (PSO)（仅限连续） 所有算法都是为了找到最小值而实现的。

运用蚁群优化算法解决TSP问题的详细教程。