（通信与信息系统专业论文）群智能优化算法及其在通信中的应用研究.pdf

关于学位论文使用授权的声明 本人完全了解山东大学有关保留、使用学位论文的规定， 同意学校保留或向国家有关部门或机构送交论文的复印件和 电子版，允许论文被查阅和借阅；本人授权山东大学可以将本 学位论文的全部或部分内容编入有关数据库进行检索，可以采 用影印、缩印或其他复制手段保存论文和汇编本学位论文。 ( 保密论文在解密后应遵守此规定) 论文作者签名：盈垫骂导师签名：【，匕主刍0 期：型! ：笙：p 。 1 2 1 前言4 1 2 2 人工鱼模型4 1 2 3 人工鱼行为描述5 1 2 4 人工鱼群算法的寻优原理和算法描述7 1 3 基本人工鱼群算法的改进9 1 3 1 基本人工鱼群算法的特点9 1 3 2 人工鱼群算法的改进策略9 1 4 本章小结1l 第二章全局鱼群算法1 2 2 1 引言1 2 2 2 全局鱼群算法人工鱼的行为描述1 2 2 2 1 觅食行为13 2 2 2 聚群行为1 3 2 2 3 追尾行为1 4 2 2 4 随机行为1 4 2 2 5 其他行为1 4 2 3 全局人工鱼群算法流程15 山东大学硕士学位论文 2 4 全局人工鱼群算法性能的验证一1 6 2 4 1 测试函数16 2 4 2 仿真结果和算法性能分析1 7 2 5 本章小结2 l 第三章基于人工鱼群算法的多用户o f d m 系统自适应资源分配2 2 3 1 多用户o f d m 系统2 2 3 1 1o f d m 介绍2 2 3 1 2o f d m 系统的关键技术2 3 3 2 自适应资源分配2 5 3 2 1 自适应资源分配的概念2 5 3 2 2 多用户o f d m 的系统模型2 6 3 2 3 多用户o f d m 系统资源自适应分配的算法。2 8 3 3 基于全局人工鱼群算法的多用户o f d m 系统资源自适应分配3 1 3 3 1 目标函数的改进3 l 3 3 2 仿真结果和分析3 3 3 4 本章小结3 5 第四章基于改进人工鱼群算法的聚类分析3 6 4 1 聚类的介绍3 6 4 1 1 聚类的概述3 6 4 1 2 聚类方法分类3 7 4 2 几种聚类算法3 8 4 2 1k m e a n s 算法3 8 4 2 2 模糊c 均值聚类算法3 9 4 3 基于全局人工鱼群算法的聚类算法4 l 4 3 1 聚类问题的描述4 1 4 3 2 基于全局鱼群算法的聚类分析4 2 4 3 3 仿真结果和分析4 3 4 4 基于鱼群算法的模糊聚类分析。4 4 4 4 1 基于人工鱼群算法和f c m 的混合聚类算法4 4 r 薯 山东大学硕士学位论文 4 4 2 仿真结果4 4 4 5 本章小结4 5 第五章模拟退火鱼群混合优化算法4 6 5 1 模拟退火算法4 6 5 1 1 模拟退火的基本原理一4 6 5 1 2 模拟退火的算法流程4 7 5 2 全局鱼群算法和模拟退火算法的混合算法一4 8 5 2 1 混合算法的流程4 9 5 2 2 仿真结果和分析4 9 5 3 本章小结5 0 第六章总结与展望一5 l 参考文献5 3 致 谢一5 9 攻读硕士学位期间发表论文、参与项目和获得奖励6 0 i h 山东大学硕士学位论文 c o n t e n t ：h i n e s ea b s t r a c t a b s t r a c t s y m b o l s v c h a p t e r 1s w a r mi n t e l l i g e n c ea l g o r i t h m 1 1s w a r mi n t e l l i g e n c ea l g o r i t h m l 1 1 1t h ei n t r o d u c t i o no ft h es i a 1 1 1 2t h ei n t r o d u c t i o no ft h ep a r t i c l es w a r mo p t i m i z a t i o n 。2 1 1 3t h ei n t r o d u c t i o no f t h ea n tc o l o n yo p t i m i z a t i o n 一2 1 2a r t i f i c i a lf i s hs w a r ma l g o r i t h m 4 1 2 1i n t r o d u c t i o n 4 1 2 2t h em o d e lo ft h ea r t i f i c i a lf i s h 4 1 ：! 3t h ed e s c r i p t i o no ft h ea fb e h a v i o r s 5 1 2 4t h et h e o r yo ft h ea f s aa n di t sa l g o r i t h mf l o w 一7 1 3t 1 1 ei m p r o v e m e n to ft h eb a s i ca f s a 9 1 3 1t h ec h a r a c t e r so f t h eb a s i ca f s a 9 1 3 2t h ei m p r o v e m e n ts t r a t e g yo ft h ea f s a 一9 1 4c o n e l u s i o n s 11 c h a p t e r2g l o b a la r t i f i c i a lf i s hs w a r mc l u s t e r i n ga l g o r i t h m i v 2 1i n t r o d u c t i o n 1 2 2 2t h eb e h a v i o rd e s c r i p t i o no f t h eg a f s a 1 2 2 2 1p r e y i n gb e h a v i o r 13 2 2 2p w a r m i n gb e h a v i o r 13 2 2 3f o l l o w i n gb e h a v i o r 1 4 2 2 4r a n d o mb e h a v i o r 1 l 2 2 5o t h e l b e h a v i o r s 1 4 2 3t h ea l g o r i t h mf l o wo ft h eg a f s a 15 2 4t h ep e r f o r m a n c ev e r i f i c a t i o no ft b eg a f s a 16 一 山东大学硕士学位论文 2 4 1t e s tf u n c t i o n 16 2 4 2s i m u l a t i o nr e s u l t sa n dt h ep e r f o r m a n c ea n a l y s i s 17 2 5c o n c l u s i o n s 2l c h a p t e r3a d a p t i v er e s o u r c ea l l o c a t i o ni nm u l t i u s e ro f d ms y s t e mb a s e d o ng a f s a ：! ：1 3 1m u l t i u s e ro f d ms y s t e m 一2 2 3 1 1t h ei n t r o d u c t i o no ft h eo f d m 2 2 3 1 2t h ek e yt e c h n o l o g yo f t h eo f d ms y s t e m 2 3 3 2a d a p t i v er e s o u r c ea l l o c a t i o n 2 5 3 2 1t h ei n t r o d u c t i o no f t h ea d a p t i v er e s o u r c ea l l o c a t i o n 2 5 3 2 2t h em o d e lo ft h em u l t i u s e ro f d ms y s t e m 2 6 3 2 3t h er e s o u r c ea l l o c a t i o na l g o r i t h mi nm u l t i u s e ro f d ms y s t e m 2 8 3 3a d a p t i v er e s o u r c ea l l o c a t i o ni nm u l t i u s e ro f d ms y s t e mb a s e do n g a f s a 3l 3 3 1t h ei m p r o v e m e n to f t h eo b j e c t i v ef u n c t i o n 3 1 3 ! i 2s i m u l a t i o nr e s u l t sa n da n a l y s i s 3 3 3 4c o n c l u s i o n s 3 5 c h a p t e r4t h ec l u s t e r i n ga n a l y s i sb a s e do nt h eg a f s a 3 6 4 1t h ei n t r o d u c t i o no ft h ec l u s t e r i n ga n a l y s i s 3 6 4 1 1i n t r o d u c t i o n ：；6 4 1 2t h ea l g o r i t h m so f t h ec l u s t e r i n ga n a l y s i s 3 7 4 2t w oc l u s t e r i n ga n a l y s i sa l g o r i t h m s 3 8 4 2 1k - m e a n sa l g o r i t h m ：；8 4 2 2f u z z yc - m e a n sa l g o r i t h m 3 9 4 3g l o b a la r t i f i c i a lf i s hs w a r mc l u s t e r i n ga l g o r i t h m 4 1 4 3 1t h ed e s c r i p t i o no ft h ec l u s t e r i n gp r o b l e m 4 1 4 3 2t h ea l g o r i t h mf l o wo ft h eg a f s c 一4 2 4 3 3s i m u l a t i o nr e s u l t sa n da n a l y s i s 4 3 4 4t h ef c m c l u s t e r i n ga l g o r i t h mb a s e do nt h eg a f s a 4 4 v 山东大学硕士学位论文 4 4 1t h ea l g o r i t h mf l o wo f t h ef c ma n dg a f s a 4 4 4 4 2s i m u l a t i o nr e s u l t sa n da n a l y s i s 4 4 4 5c o n c l u s i o n s 4 5 c h a p t e r5s i m u l a t e da n n e a l i n ga r t i f i c i a lf i s hs w a r ma l g o r i t h m 4 6 5 1s i m u l a t e da n n e a l i n g 4 6 5 1 1t h ep r i n c i p l eo ft h es a 4 6 5 1 2t h e a l g o r i t h mf l o wo f t h es a 4 7 5 2t h eh y b r i d a l g o r i t h mb a s e do nt h ea f s aa n ds a 4 8 5 2 1t h ea l g o r i t h mf l o wo ft h eh y b r i da l g o r i t h m 4 9 5 2 2s i m u l a t i o nr e s u l t sa n da n a l y s i s 4 9 5 3c o n c l u s i o n s 5 0 c h a p t e r6c o n c l u s i o n sa n d f u t u r er e s e a r c h 5 1 r e f e r e u c e s 5 3 a c k n o w l e d g e m e n t 5 9 p u b l i s h e dp a p e r s ，p r o j e c t sa n dh o n o r s 6 0 v i 山东大学硕士学位论文 中文摘要 群智能算法是通过模拟某些自然现象或过程发展而来的，具有全局性、 并行高效性、鲁棒性、通用性等优点。人工鱼群算法是近年来提出的一种新 颖的群智能优化算法，它具有群智能算法的优点，已经被越来越多的用到工 程领域中。但是作为一种新的群智能算法，人工鱼群算法有自身的不足，如 算法的复杂度高、算法后期的收敛速度慢和收敛精度低等。针对人工鱼群算 法的不足，本文提出一种改进的人工鱼群算法一全局人工鱼群算法。在全局 人工鱼群算法中，人工鱼的位置更新模式中加入了全局最优信息，仿真实验 表明，论文中所提出的全局人工鱼群算法提高了人工鱼群算法的收敛速度和 收敛精度。为了降低算法的复杂度，本文提出了人工鱼的吞食行为，仿真实 验表明，吞食行为的引入在保证算法性能的前提下明显降低了人工鱼群算法 的复杂度。 在多用户o f d m 系统中，不同用户的衰落参数是相互独立的，对于某一 用户是深衰落的子载波对于其他用户却不一定也是深衰落的，根据各个子载 波的瞬时信道信息，为每个用户自适应地分配子载波和功率，可以更好地利 用系统频谱资源。o f d m 系统中存在着两种资源分配方案：静态和动态。本 文采用了动态的资源分配方案，在分析系统模型的基础上，提出了基于全局 人工鱼群算法的多用户o f d m 系统的自适应子载波和功率分配算法，在满足 系统的总功率和用户公平性的约束条件下，使整个系统的传输速率达到了最 大。 根据聚类分析问题的模型，本文提出了基于全局人工鱼群算法的聚类 分析算法( g l o b a la r t i f i c i a lf i s hs w a r mc l u s t e r i n ga l g o r i t h m ，g a f s c ) ，实验表 明g a f s c 很好的解决了聚类分析问题。模糊c 均值( f u z z yc m e a n s ，f c m ) 算法是一种常用的聚类算法，对初始值特别敏感是f c m 的一个的缺陷，为 了克服f c m 算法的缺陷，本文提出把全局鱼群算法与f c m 结合成一种新的 混合聚类算法，实验表明我们提出的混合算法克服了f c m 算法的不足，为 聚类分析问题的解决提供了一种新思路。 随着优化命题的复杂程度和规模的不断提高，使用单一的优化算法很难 山东大学硕士学位论文 得到满意的解，用两种或者两种以上的优化算法融合成为一种新的混合算法， 让不同的优化算法优势互补是一种可行有效的方法。在论文最后一部分，提 出了全局鱼群算法与模拟退火算法相结合的混合优化算法，仿真结果表明， 本文所提出的混合算法保留了全局人工鱼群算法稳定性高、全局性好等优点， 同时也利用了模拟退火算法较强的局部寻优能力，所提出的混合算法性能得 到了明显的提高。 关键词。群智能算法，人工鱼群算法，多用户o f d m ，资源分配，聚类分析 a b s t r a c t s w a r mi n t e l l i g e n c ea l g o r i t h m sa r e d e v e l o p p e df r o mt h en a t u r a lp h 胁o m 铋o n s 锄d p r o c e s s e s t h e yh a v em a n ya d v a n t a g e s ，s u c ha sg l o b a ls e a r c h i n ga b i l i t 弘h i g h l y e 场c l e n tp a r a l l e lc o m p u t a t i o n ，g o o dr o b u s t n e s s ，e t c a r t i f i c i a lf i s hs w a r l n a l g o r i t l l i n ( a f s a ) i san o v e ls w a r n li n t e l l i g e n to p t i m i z a t i o na l g o r i t h m ，a n dn o w i ti su s e di n m o 阳觚dm o r ee n g i n e e r i n gf i e l d s a sas w a r m i n t e l l i g e n c ea i g o r i t l l i i l ，a f s ah a si t 8 w e a k n e s s ，s u c h 邪h i g hc o m p l e x i t y 、l o wo p t i m i z i n gp r e c i s i o na n d1 0 w c o n v e r g e n c e s p e e dl nt h el a t e rp e r i o do ft h eo p t i m i z a t i o n t os o l v et h ep r o b l e m ，锄i m p r o v e d a f s ac a l l e dg l o b a la f s a ( g a f s a ) i s p r o p s e d i nt h eg a f s a ，西o b a li n 内硼a t i o n 1 sa d d e dt ot h ea r t i f i c i a l f i s hp o s i t i o nu p d a t i n gp r o c e s s t h ee x p 谢m e n t a lr c s u l t s m d l c a t et h a tt h eo p t i m i z a t i o np r e c i s i o na n dt h ec o n v 哪e n c e s p e e do ft h ep r o p o s e d m e t h o da r e 吼g n i f i c a n t l yi m p r o v e dw h e n c o m p a r e dw i t ht h o s eo ft h e 嘶西n a la f s a i ng a f s a , an o v e lb e h a v i o rc a l l e d s w a l l o w i n gb e h a v i o ri sp r o p o s e d 觚dt h e c o m p l e x i t yo ft h eg a f s ad e c r e a s e so b v i o u s l y i nt h em u l t i l l s e l o f d ms y s t e m ，t h ec h a n n e l f a d i n gp a r a m e t e r so fd i 脑髓t 潞e f 8a r e g e l l e r a l l yd i f f e r e n t a d a p t i v er e s o u r c ea l l o c a t i o nf o re a c hu s e ra c c o r d i n g t ot h el n s t a n t a n e o u ss u b 。c h a n n e li n f o r m a t i o nc a n i m p r o v et h eu t i l i z a t i o ne f f i c i e n c v o tt h es y s t e m t h e r ea r et w ok i n d so fr e s o u r c e a l l o c a t i o ns c h e m e se x i s t i n gi n c u 仃即to f d ms y s t e m ：s t a t i ca n dd y n a m i cr e s o u r c e a n o c a t i o ns c h e i i l e i nt h i s p a p e rd ) ，l l 锄1 cr c s o u r c ea l l o c a t i o ns c h e m ei su s e d b a s e do nt h ea n a l y s i s 0 ft h e m u l t i u s e ro f d ms y s t e mm o d e l ，t h eo b j e c t i v ef u n c t i o no ft h e a d a p t i v er e s o u r c e a 1 1 0 c a t l o np r o b l e mi s d e s i g n e d ，a n dt h eu s e rf a i r n e s si sa d d e dt ot h e o b i e c t i v e f u n c t l o mt h er e s u l t so b t a i n e d b yo u rm e t h o ds h o wt h a tt h es u mc a p a c i t v i s m a x i m i z e da n dt h eu s e rf a i m e s s i ss a t i s f l e d 。 b a s e do nt h em o d e lo ft h e c l u s t e r i n gp r o b l e m ，ac l u s t e r i n ga l g o r i t h mc a l l e d g l o b a la r t i f i c i a lf i s hs w a r mc l u s t e r i n g ( g a f s c ) a l g o 打t h mi s p r o p o s e d ，a n dt h e e x p e r i m e l l t a l 他s u i t ss h o wt h a tt h eg a f s ch a sv e r yg o o dr o b u s t n e s s 觚dv c 唧 9 0 0 dc a p a c l t yo fs e a r c h i n gg l o b a lo p t i m u m t oo v e r c 咖et h ew e a k n e s so f t h e f u z z yc 。m e a n s ( f c m ) m e t h o d ，a h y b r i df u z z y c l u s t e r i n ga l g o r i t l l l i lt h a t m 山东大学硕士学位论文 i n c o r p o r a t e st h ef c m i n t ot h eg a f s ai sp r o p o s e d ，t h es i m u l a t i o nr e s u l t ss h o w t h a tt h et h eh y b r i df u z z yc l u s t e r i n ga l g o r i t h ma v o i d st h ef c m sw e a k n e s sa n d t a k e sa d v a n t a g eo ft h eg a f s a sr o b u s t n e s s n o w a d a y s ，w i t ht h ei n c r e a s eo ft h eo p t i m i z a t i o np r o b l e m sc o m p l e x i t ya n d s c a l e ，as i n g l eo p t i m i z a t i o nm e t h o ds o m e t i m e sc a l ln o ts o l v et h ep r o b l e mv e r y w e l l ，a n dt h eh y b r i da l g o r i t h m so ft h em a t u r eo p t i m i z a t i o na l g o r i t h m ss h o u l db e a l le f f e c t u a lw a y i nt h el a s tp a r to ft h i s t h e s i s ，ah y b r i da l g o r i t h mc a l l e d s i m u l a t e da n n e a l i n g - a r t i f i c i a lf i s hs w a r ma l g o r i t h m ( s a a f s a ) t h a ti n c o r p o r a t e s t h es ai n t ot h ea f s ai sp r o p o s e d i t sp e r f o r m a n c ei sv e r i f i e db yat e s tf u n c t i o n b ep r o v i d e dw i t ht h eg l o b a ls e a r c h i n ga b i l i t yo ft h ea f s aa n dt h el o c a ls e a r c h i n g a b i l i t yo ft h es a ，t h es a a f s ah a sv e r ys t r o n gg l o b a ls e a r c h i n ga b i l i t ya n dv e r y h i g l lp r e c i s i o n k e yw o r d s ：s w a r mi n t e l l i g e n c ea l g o r i t h m ；a f s a ；m u l t i u s e ro f d m ； a d a p t i v er e s o u r c ea l l o c a t i o n ；d a t ac l u s t e r i n g i v 山东大学硕士学位论文 a f s a p s o a c o s a s i a i s i o f d m i c i c p p a p r q o s a w g n o s i a r q c s i b e r g a f s c f c m 符号说明 i m p r o v e da r t i f i c i a lf i s hs w a r ma l g o r i t h m人工鱼群算法 p a r t i c l es w a r mo p t i m i z a t i o n 粒子群算法 a n tc o l o n yo p t i m i z a t i o n蚁群算法 s i m u l a t e da n n e a l i n g 模拟退火 s w a r mi n t e l l i g e n c ea l g o r i t h m群智能算法 i n t e r - s y m b o li n t e r f e r e n c e符号间干扰 o r t h o g o n a lf r e q u e n c yd i v i s i o nm u l t i p l e x i n g正交频分复用 i n t e r c h a n n e li n t e r f e r e n c e 信道间干扰 c y c l i cp r e f i x循环前缀 p e a k - t o a v e r a g ep o w e rr a t i o峰均功率比 q u a l i t yo fs e r v i c e服务质量 a d d i t i v ew h i t eg a u s s i a nn o i s e加性高斯白噪声 o p e ns y s t e mi n t e r c o n n e e t i o n开放系统互连 a u t or e p e a tr e q u e s t自动重发请求 c h a n n e ls t a t u si n f o r m a t i o n信道状态信息 b i te r r o rr a t i o误比特率 g l o b a la r t i f i c i a lf i s hs w a r mc l u s t e r i n g 全局鱼群聚类算法 a l g o r i t h m f u z z yc m e a n s模糊c 均值 o f d m a o r t h o g o n a lf r e q u e n c yd i v i s i o nm u l t i p l e x i n g 正交频分多址接入 a c c e s s v l i d 山东大学硕士学位论文 1 1 群智能算法 1 1 1 群智能算法简介 第一章群智能算法 群智能算法( s w a r mi n t e l l i g e n c ea l g o r i t h m ，s i a ) 是一种新兴的演化计算技 术，是人工智能的一个重要分支，与人工生命，特别是进化策略有着极为特殊 的联系，已越来越受到国内外研究者的关注。目前，群智能算法研究领域主要 存在有以下几种算法：蚁群算法( a n tc o l o n yo p t i m i z a t i o n ，a c o ) 、粒子群算法 ( p a r t i c l es w a r mo p t i m i z a t i o n ，p s o ) 和人工鱼群算法( a r t i f i c i a lf i s hs w a r m a l g o r i t h m ，a f s a ) 。这些算法都是基于群体寻优的启发式随机搜索算法，随着群 体智能计算理论和其应用研究的不断发展，研究者们尝试着将其用于各种工程 优化问题，并取得了很好的效果。很多研究表明，群集智能算法在离散求解空 间和连续求解空间中均表现出良好的寻优效果，并在组合优化问题中表现突 出。 群智能算法的基本思想是通过模拟自然界生物的群体行为来构造随机优 化算法，它将搜索过程和优化过程模拟成个体的进化过程或觅食过程，用搜索 空间中的每一个可行解模拟自然界中的生物个体。将求解问题的目标函数度量 成个体对环境的适应能力，将个体的优胜劣汰过程或觅食过程类比为优化过程 中较好的可行解取代较差可行解的迭代过程。因此，群智能算法是一种具有“生 成+ 检验”特征的迭代搜索算法【l 】。群智能算法是一种概率搜索算法，与大多 数基于梯度应用优化算法及传统的演化算法相比，其优点如下【2 l ： ( 1 ) 没有集中的控制，采用完全分布式的控制来实现个体与个体和个体与环 境的交互作用，具有良好的自组织性； ( 2 ) 人工群体中个体之间的交流方式是非直接的，通过对环境的感知来进行 合作，确保了整个系统具有很好的可扩展性和安全性； ( 3 ) 整个系统没有集中控制的约束，具有良好的鲁棒性，不会因为个别个体 的故障而影响整个问题的求解： 山东大学硕士学位论文 ( 4 ) 由于系统中单个个体的能力十分简单，实现起来比较方便，这样每个个 体的执行时间较短，具有简单的特性。 1 1 2 粒子群算法简介 p s o 是i 扫k e n n e d y 和e b e r h a r t 在1 9 9 5 年提出的一种基于群智能的演化计算 技术【3 ，4 1 ，是一种基于群体智能理论的优化方法，在p s o 算法中，通过群体中 粒子间的合作与竞争产生的群体智能来指导优化搜索。p s o 算法源于对鸟群觅 食行为的研究，研究者发现鸟群在飞行过程中经常会突然改变方向、散开、聚 集。每只鸟的个体行为不可预测，但其整体总保持一致性，个体与个体间也保 持着最适宜的距离。通过对类似生物群体的行为的研究，发现生物群体中存在 着一种社会信息共享机制，它为群体的进化提供了一种优势，这也是p s o 算法 形成的基础【”。 在基本粒子群算法中，通常假设粒子群由n 个粒子组成，每个粒子的位 置代表优化问题在d 维搜索空间中潜在的解，所有粒子都有一个由优化目标 函数决定的适应度值，每个粒子还有一个速度参数来决定其移动的方向和距 离。在p s o 算法中，首先初始化所有粒子的位置，然后每个粒子根据个体和 群体的飞行经验，来动态调整自己的速度和方向，在解空间中进行搜索，通 过迭代找到最优解，p s o 特有的记忆使其可以动态跟踪当前的搜索情况调整 其搜索策略。每个粒子主要根据以下三条原则来更新自身状态【6 】： ( 1 ) 每个粒子保持自身惯性； ( 2 ) 根据自身的最优位置来改变状态； ( 3 ) 根据群体的最优位置来改变状态。 p s o 算法保留了基于群体的全局搜索策略，采用了速度一位移模型，操作 简单，从而避免了复杂的操作。现在p s o 已经应用在很多研究领域并且取得了 良好的效果，主要应用包括p i d 控制【7 1 、多目标优化【引、聚类分析f 9 1 、模式识别 【l 们、信号处理1 、控制与决策f 1 2 】等领域。 1 1 3 蚊群算法简介 2 0 世纪9 0 年代初，意大利学者d o r i g o 和m a n i e z z o 等人受自然界中蚁群的觅 食行为启发提出了一种群体智能算法，称之为蚂蚁系统( a n ts y s t e m ) 1 3 , 1 4 1 ，开 2 山东大学硕士学位论文 创了蚁群优化算法研究的先河。此后，经多位学者的研究，从蚂蚁系统开始， 先后有a n t q 【1 外、蚁群系统( a n tc o l o n ys y s t e m ) 1 6 1 、最大最小蚂蚁系统 ( m a x m i na s ，m m a s ) t r 7 l 等蚁群系统的改进，1 9 9 9 年d o r i g o 在这些改进的基础 上提出了蚁群优化( a n tc o l o n yo p t i m i z a t i o n ，a c o ) 的通用框架【1 8 】，使蚁群算法 有更坚实的理论基础和良好的性能，