蚁群优化算法 - 版本历史

Swarma：/* 编者推荐 */

2021-02-20T09:14:34Z

编者推荐

Swarma：/* 其他应用 Other applications */

2021-02-20T09:10:51Z

其他应用 Other applications

Swarma：/* 出版物 Publications (selected) */

2021-02-20T09:07:18Z

出版物 Publications (selected)

薄荷：/* 应用 */

2021-01-24T15:31:09Z

应用

2021年1月24日 (日) 15:28 薄荷

2021-01-24T15:28:07Z

薄荷：/* 智能物体的周围网络 Ambient networks of intelligent objects */

2021-01-24T15:25:27Z

智能物体的周围网络 Ambient networks of intelligent objects

薄荷：/* 智能物体的周围网络 Ambient networks of intelligent objects */

2021-01-24T15:25:05Z

智能物体的周围网络 Ambient networks of intelligent objects

薄荷：/* 智能物体的周围网络 Ambient networks of intelligent objects */

2021-01-24T15:24:54Z

智能物体的周围网络 Ambient networks of intelligent objects

2021年1月24日 (日) 15:24 薄荷

2021-01-24T15:24:01Z

2021年1月24日 (日) 15:23 薄荷

2021-01-24T15:23:45Z

←上一版本	2021年2月20日 (六) 09:14的版本
第481行：	第481行：


	+	====[https://www.bilibili.com/video/BV1mT4y1g7Rg/?spm_id_from=333.788.videocard.1 蚁群优化算法工作原理系列视频]====

	+	这个是B站上搬运的视频，主要是由Ali Mirjalili在Youtube上面分享的蚁群优化算法工作原理的视频。蚁群算法(ant colony optimization, ACO)，是一种用来在图中寻找优化路径的机率型算法。它由Marco Dorigo于1992年在他的博士论文中提出，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。

@@ 第370行： / 第370行： @@
 * 智能测试系统 Intelligent testing system<ref>Xiao. M.Hu, J. ZHANG, and H. Chung, "[https://ieeexplore.ieee.org/abstract/document/5061647/ An Intelligent Testing System Embedded with an Ant Colony Optimization Based Test Composition Method]", IEEE Transactions on Systems, Man, and Cybernetics--Part C: Applications and Reviews, Vol. 39, No. 6, pp. 659-669, Dec 2009.</ref>
-* 电源电子电路设计 Power electronic circuit design<ref>J. ZHANG, H. Chung, W. L. Lo, and T. Huang, "[http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.140.4340&rep=rep1&type=pdf Extended Ant Colony Optimization Algorithm for Power Electronic Circuit Design]", IEEE Transactions on Power Electronic. Vol.24,No.1, pp.147-162, Jan 2009.</ref>
+* 电源电子电路设计 Power electronic circuit design<ref>J. ZHANG, H. Chung, W. L. Lo, and T. Huang, "[http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.140.4340&rep=rep1&type=pdf Extended Ant Colony Optimization Algorithm for Power Electronic Circuit Design]", IEEE Transactions on Power Electronic. Vol.24,No.1, pp.147-162, Jan 2009.</ref><ref>J. ZHANG, H. Chung, W. L. Lo, and T. Huang, "[http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.140.4340&rep=rep1&type=pdf Extended Ant Colony Optimization Algorithm for Power Electronic Circuit Design]", IEEE Transactions on Power Electronic. Vol.24,No.1, pp.147-162, Jan 2009.</ref>
 * 蛋白质折叠 Protein folding<ref>X. M. Hu, J. ZHANG，J. Xiao and Y. Li, "[http://eprints.gla.ac.uk/5306/1/5306.pdf Protein Folding in Hydrophobic-Polar Lattice Model: A Flexible Ant- Colony Optimization Approach] ", Protein and Peptide Letters, Volume 15, Number 5, 2008, Pp. 469-477.</ref><ref>A. Shmygelska, R. A. Hernández and H. H. Hoos, "[ftp://nozdr.ru/biblio/kolxo3/Cs/CsLn/Ant%20Algorithms,%203%20conf.,%20ANTS%202002(LNCS2463,%20Springer,%202002)(ISBN%203540441468)(318s).pdf#page=54 An ant colony optimization algorithm for the 2D HP protein folding problem]," Proceedings of the 3rd International Workshop on Ant Algorithms/ANTS 2002, Lecture Notes in Computer Science, vol.2463, pp.40-52, 2002.</ref><ref>{{cite book |author1=M. Nardelli |author2=L. Tedesco |author3=A. Bechini |title= Cross-lattice behavior of general ACO folding for proteins in the HP model |journal= Proc. Of ACM SAC 2013|year=2013|pages=1320–1327 |doi= 10.1145/2480362.2480611|isbn=9781450316569 |s2cid=1216890 |url=https://zenodo.org/record/3445092 }}</ref>

←上一版本		2021年2月20日 (六) 09:07的版本
第470行：		第470行：
	* [[Marco Dorigo\|M. Dorigo]], 1992. ''Optimization, Learning and Natural Algorithms'', PhD thesis, Politecnico di Milano, Italy.		* [[Marco Dorigo\|M. Dorigo]], 1992. ''Optimization, Learning and Natural Algorithms'', PhD thesis, Politecnico di Milano, Italy.
	* M. Dorigo, V. Maniezzo & A. Colorni, 1996. "[http://www.cs.unibo.it/babaoglu/courses/cas05-06/tutorials/Ant_Colony_Optimization.pdf Ant System: Optimization by a Colony of Cooperating Agents]", IEEE Transactions on Systems, Man, and Cybernetics–Part B, 26 (1): 29–41.		* M. Dorigo, V. Maniezzo & A. Colorni, 1996. "[http://www.cs.unibo.it/babaoglu/courses/cas05-06/tutorials/Ant_Colony_Optimization.pdf Ant System: Optimization by a Colony of Cooperating Agents]", IEEE Transactions on Systems, Man, and Cybernetics–Part B, 26 (1): 29–41.
		+
		+
		+	==编者推荐==
		+
		+
		+
		+	===课程推荐===
		+
		+	====[https://campus.swarma.org/course/1343 Genetic Algorithms]====
		+	课程简介：本课程是由圣塔菲研究所研究员Melanie Mitchel所讲授的课程，本课程中，讲解生成式算法、生成式编程与进化的虚拟生物。
		+
		+
		+
		+
		+
		+
		+

@@ 第183行： / 第183行： @@
 *具有序列依赖设置时间的单机总延迟问题 Single-machine total tardiness problem with sequence dependent setup times (SMTTPDST)<ref>C. Gagné, W. L. Price and M. Gravel, "[https://link.springer.com/article/10.1057/palgrave.jors.2601390 Comparing an ACO algorithm with other heuristics for the single machine scheduling problem with sequence-dependent setup times]," Journal of the Operational Research Society, vol.53, pp.895-906, 2002.</ref>
 *具有序列依赖设置/转换时间的多级流车间调度问题 Multistage flowshop scheduling problem (MFSP) with sequence dependent setup/changeover times<ref>A. V. Donati, V. Darley, B. Ramachandran, "An Ant-Bidding Algorithm for Multistage Flowshop Scheduling Problem: Optimization and Phase Transitions", book chapter in Advances in Metaheuristics for Hard Optimization, Springer, pp.111-138, 2008.</ref>
 ===车辆路线问题 Vehicle routing problem===
@@ 第203行： / 第204行： @@
 *带时间窗和多个服务工人的车辆路径问题  Vehicle routing problem with time windows and multiple service workers (VRPTWMS)
 ===分配问题 Assignment problem===
@@ 第213行： / 第215行： @@
 *[[冗余分配问题 Redundancy allocation problem]] (RAP)<ref>Y. C. Liang and A. E. Smith, "[http://www.eng.auburn.edu/sites/personal/aesmith/files/antcolonyIEEETrRel%20paper.pdf An ant colony optimization algorithm for the redundancy allocation problem (RAP)]," IEEE Transactions on Reliability, vol.53, no.3, pp.417-423, 2004.</ref>
 ===集合问题 Set problem===
@@ 第233行： / 第236行： @@
 * 基于蚁群优化（ACO）的可逆电路合成可以显著提高效率 <ref>M. Sarkar, P. Ghosal, and S. P. Mohanty, "[http://www.cse.unt.edu/~smohanty/Publications_Conferences/2013/Mohanty_MWSCAS2013_Reversible-Circuit.pdf Reversible Circuit Synthesis Using ACO and SA based Quinne-McCluskey Method]", in Proceedings of the 56th IEEE International Midwest Symposium on Circuits & Systems (MWSCAS), 2013, pp. 416--419.</ref>
 ===天线优化与综合  Antennas optimization and synthesis===
-[[File:ANT Antenna 1.jpg|thumb|Loopback vibrators 10×10, synthesized by means of ACO algorithm<ref name=slyusarant1>Ermolaev S.Y., Slyusar V.I. Antenna synthesis based on the ant colony optimization algorithm.// Proc. ICATT’2009, Lviv, Ukraine 6 - 9 Octobre, 2009. - Pages 298 - 300 [http://slyusar.kiev.ua/298_300_ICATT_2009.pdf]</ref>]]
+[[File:ANT Antenna 1.jpg|thumb|用蚁群算法合成了10×10的环回振动器<ref name=slyusarant1>Ermolaev S.Y., Slyusar V.I. Antenna synthesis based on the ant colony optimization algorithm.// Proc. ICATT’2009, Lviv, Ukraine 6 - 9 Octobre, 2009. - Pages 298 - 300 [http://slyusar.kiev.ua/298_300_ICATT_2009.pdf]</ref>]]
-[[File:ANT antenna 2.jpg|thumb|Unloopback vibrators 10×10, synthesized by means of ACO algorithm<ref name=slyusarant1/>]]
+[[File:ANT antenna 2.jpg|thumb|用蚁群算法合成10×10的无环振荡器<ref name=slyusarant1/>]]
 为了优化天线的结构，可以使用蚁群算法。例如，可以考虑基于蚁群算法（ACO）的天线RFID标签, <ref>Marcus Randall, Andrew Lewis, Amir Galehdar, David Thiel. Using Ant Colony Optimisation to Improve the Efficiency of Small Meander Line RFID Antennas.// In 3rd IEEE International e-Science and Grid Computing Conference [http://www98.griffith.edu.au/dspace/bitstream/10072/17063/1/47523_1.pdf], 2007</ref>10×10的回送和卸载振动器<ref name=slyusarant1/>

@@ 第8行： / 第8行： @@
-在计算机科学和运筹学中，<font color="#ff8000"> 蚁群优化算法 ant colony optimization algorithm</font>（ACO）是一种解决计算问题的概率化方法，它可以简化为通过[[图 Graph]]来寻找最优路径。人工蚁群代表了受真实蚂蚁行为启发的多主体方法。
+在计算机科学和运筹学中，'''<font color="#ff8000"> 蚁群优化算法 ant colony optimization algorithm</font>（ACO）'''是一种解决计算问题的概率化方法，它可以简化为通过[[图 Graph]]来寻找最优路径。人工蚁群代表了受真实蚂蚁行为启发的多主体方法。
-基于信息素的蚂蚁通信方法常被作为一种典型范式<ref>{{cite book |last = Monmarché Nicolas, Guinand Frédéric and Siarry Patrick  |title = Artificial Ants |publisher = Wiley-ISTE  |year = 2010 |isbn = 978-1-84821-194-0}}</ref>。人工蚁群和局部搜索算法的组合已经是许多优化任务的一种求解方法，这些优化任务往往涉及某种，例如<font color="#ff8000">车辆路径 vehicle routing</font>和<font color="#ff8000">互联网路由 internet routing</font>的问题。这一领域的蓬勃发展催生了专门讨论人工蚂蚁的学术会议，以及诸如 AntOptima 等专业公司的大量商业应用。
+基于信息素的蚂蚁通信方法常被作为一种典型范式<ref>{{cite book |last = Monmarché Nicolas, Guinand Frédéric and Siarry Patrick  |title = Artificial Ants |publisher = Wiley-ISTE  |year = 2010 |isbn = 978-1-84821-194-0}}</ref>。人工蚁群和局部搜索算法的组合已经是许多优化任务的一种求解方法，这些优化任务往往涉及某种，例如'''<font color="#ff8000">车辆路径 vehicle routing</font>'''和'''<font color="#ff8000">互联网路由 internet routing</font>'''的问题。这一领域的蓬勃发展催生了专门讨论人工蚂蚁的学术会议，以及诸如 AntOptima 等专业公司的大量商业应用。
-以蚁群算法<ref>{{cite journal|last = Dorigo, Gambardella |first = M, L.M. |title = Learning Approach to the Traveling Salesman Problem  |publisher = IEEE Transactions on Evolutionary Computation, 1 (1) |page=214 |year = 1997}}</ref>为例，它是一种模拟蚁群行为的优化算法。人造”蚂蚁“（例如:仿真模拟的主体）通过在代表所有可能解的参数空间移动来求取最优解。真实蚂蚁们在探索环境时，会产生<font color="#ff8000">信息素 pheromone</font>来指引彼此寻找资源。模拟的“蚂蚁”会类似地记录它们的位置和求解结果的好坏，以便在随后的仿真迭代计算中有更多的蚂蚁找到更好的解。<ref>Ant Colony Optimization by Marco Dorigo and Thomas Stützle, MIT Press, 2004.</ref>蚁群算法的一个变种是蜜蜂算法，它更类似于另一种社会性昆虫——蜜蜂的觅食模式。
+以蚁群算法<ref>{{cite journal|last = Dorigo, Gambardella |first = M, L.M. |title = Learning Approach to the Traveling Salesman Problem  |publisher = IEEE Transactions on Evolutionary Computation, 1 (1) |page=214 |year = 1997}}</ref>为例，它是一种模拟蚁群行为的优化算法。人造”蚂蚁“（例如:仿真模拟的主体）通过在代表所有可能解的参数空间移动来求取最优解。真实蚂蚁们在探索环境时，会产生'''<font color="#ff8000">信息素 pheromone</font>'''来指引彼此寻找资源。模拟的“蚂蚁”会类似地记录它们的位置和求解结果的好坏，以便在随后的仿真迭代计算中有更多的蚂蚁找到更好的解。<ref>Ant Colony Optimization by Marco Dorigo and Thomas Stützle, MIT Press, 2004.</ref>蚁群算法的一个变种是蜜蜂算法，它更类似于另一种社会性昆虫——蜜蜂的觅食模式。
-在<font color="#ff8000">群智能 swarm intelligence</font>方法中,这个算法是蚁群算法家族的一员。它构成了某些<font color="#ff8000">元启发式 metaheuristic</font>的优化。第一个蚁群算法最初由 Marco Dorigo 在1992年的博士论文中提出<ref>A. Colorni, M. Dorigo et V. Maniezzo, ''Distributed Optimization by Ant Colonies'', actes de la première conférence européenne sur la vie artificielle, Paris, France, Elsevier Publishing, 134-142, 1991.</ref><ref name="M. Dorigo, Optimization, Learning and Natural Algorithms">M. Dorigo, ''Optimization, Learning and Natural Algorithms'', PhD thesis, Politecnico di Milano, Italy, 1992.</ref>，目的是基于蚂蚁在它们的聚居地和食物之间寻找一条路径的行为，在一张图中寻找最佳路径。借鉴了蚂蚁行为的各个方面，最初的蚁群算法已经变得多样化以解决更多类型的数值问题，并且也出现了一些问题。从更高的角度来看，蚁群算法执行基于模型的搜索<ref>{{cite journal|last1=Zlochin|first1=Mark|last2=Birattari|first2=Mauro|last3=Meuleau|first3=Nicolas|last4=Dorigo|first4=Marco|title=Model-Based Search for Combinatorial Optimization: A Critical Survey|journal=Annals of Operations Research|date=1 October 2004|volume=131|issue=1–4|pages=373–395|doi=10.1023/B:ANOR.0000039526.52305.af|language=en|issn=0254-5330|citeseerx=10.1.1.3.427}}</ref> ，并与'''分布估计算法 estimation of distribution algorithm'''具有一定的相似性。
+在'''<font color="#ff8000">群体智能 swarm intelligence</font>'''方法中,这个算法是蚁群算法家族的一员。它构成了某些'''<font color="#ff8000">元启发式 metaheuristic</font>'''的优化。第一个蚁群算法最初由 Marco Dorigo 在1992年的博士论文中提出<ref>A. Colorni, M. Dorigo et V. Maniezzo, ''Distributed Optimization by Ant Colonies'', actes de la première conférence européenne sur la vie artificielle, Paris, France, Elsevier Publishing, 134-142, 1991.</ref><ref name="M. Dorigo, Optimization, Learning and Natural Algorithms">M. Dorigo, ''Optimization, Learning and Natural Algorithms'', PhD thesis, Politecnico di Milano, Italy, 1992.</ref>，目的是基于蚂蚁在它们的聚居地和食物之间寻找一条路径的行为，在一张图中寻找最佳路径。借鉴了蚂蚁行为的各个方面，最初的蚁群算法已经变得多样化以解决更多类型的数值问题，并且也出现了一些问题。从更高的角度来看，蚁群算法执行基于模型的搜索<ref>{{cite journal|last1=Zlochin|first1=Mark|last2=Birattari|first2=Mauro|last3=Meuleau|first3=Nicolas|last4=Dorigo|first4=Marco|title=Model-Based Search for Combinatorial Optimization: A Critical Survey|journal=Annals of Operations Research|date=1 October 2004|volume=131|issue=1–4|pages=373–395|doi=10.1023/B:ANOR.0000039526.52305.af|language=en|issn=0254-5330|citeseerx=10.1.1.3.427}}</ref> ，并与'''分布估计算法 estimation of distribution algorithm'''具有一定的相似性。
@@ 第65行： / 第65行： @@
 ===边的选择 Edge selection===
-每个蚂蚁都需要构造一个解来遍历图。为了在遍历过程中选择下一条边，蚂蚁将考虑从其当前位置可以获得的每条边的长度，以及相应的信息素水平。在算法的每一步，每一个蚂蚁都从状态<math>x</math>移动到状态<math>y</math>，状态<math>y</math>对应一个更完整的中间解。因此，每个蚂蚁<math>k</math> 在每次迭代中计算一组可行展开式集合<math>A_k(x)</math>，并以一定概率移动到其中一个。对于蚂蚁<math>k</math>，从状态<math>x</math>移动到状态<math>y</math>的概率<math>p_{xy}^k</math>取决于两个值的组合，<font color="#32cd32">即移动的吸引力<math>\eta_{xy}</math>，这是由某种启发式计算得出的，表示移动的先验期望值和本次移动的信息素踪迹浓度等级<math>\tau_{xy}</math>，这表明它在过去进行该特定移动的熟练程度。踪迹浓度等级代表了本次移动期望的后验指标。</font>
+每个蚂蚁都需要构造一个解来遍历图。为了在遍历过程中选择下一条边，蚂蚁将考虑从其当前位置可以获得的每条边的长度，以及相应的信息素水平。在算法的每一步，每一个蚂蚁都从状态<math>x</math>移动到状态<math>y</math>，状态<math>y</math>对应一个更完整的中间解。因此，每个蚂蚁<math>k</math> 在每次迭代中计算一组可行展开式集合<math>A_k(x)</math>，并以一定概率移动到其中一个。对于蚂蚁<math>k</math>，从状态<math>x</math>移动到状态<math>y</math>的概率<math>p_{xy}^k</math>取决于两个值的组合，'''<font color="#32cd32">即移动的吸引力<math>\eta_{xy}</math>，这是由某种启发式计算得出的，表示移动的先验期望值和本次移动的信息素踪迹浓度等级<math>\tau_{xy}</math>，这表明它在过去进行该特定移动的熟练程度。踪迹浓度等级代表了本次移动期望的后验指标。</font>'''
@@ 第75行： / 第75行： @@
 { \sum_{z\in \mathrm{allowed}_x} (\tau_{xz}^{\alpha}) (\eta_{xz}^{\beta}) }</math>
-其中,<math>\tau_{xy}</math> 是从状态<math>x</math> 到<math>y</math> 转移的信息素积累量，0 ≤ <math>\alpha</math>是控制<math>\tau_{xy}</math> 影响的参数，<math>\eta_{xy}</math> 是状态转换<math>xy</math> 的期望值（一种先验信息，通常为<math>1/d_{xy}</math>，其中d是距离），<math>\beta</math>≥1是控制<math>\eta_{xy}</math>影响的参数。<font color="#32cd32"> <math>\tau_{xz}</math>和<math>\eta_{xz}</math>代表了其他可能的状态转移的轨迹浓度等级和吸引力</font>
+其中,<math>\tau_{xy}</math> 是从状态<math>x</math> 到<math>y</math> 转移的信息素积累量，0 ≤ <math>\alpha</math>是控制<math>\tau_{xy}</math> 影响的参数，<math>\eta_{xy}</math> 是状态转换<math>xy</math> 的期望值（一种先验信息，通常为<math>1/d_{xy}</math>，其中d是距离），<math>\beta</math>≥1是控制<math>\eta_{xy}</math>影响的参数。'''<font color="#32cd32"> <math>\tau_{xz}</math>和<math>\eta_{xz}</math>代表了其他可能的状态转移的轨迹浓度等级和吸引力</font>'''
@@ 第133行： / 第133行： @@
 ===连续正交蚁群 Continuous Orthogonal Ant Colony (COAC)===
-COAC的信息素沉积机制使蚂蚁能够协同有效地寻找解决方案。利用<font color="#32cd32">正交化设计法</font>，可行域中的蚂蚁可以快速有效地搜索所选区域，提高了全局搜索能力和准确性。正交设计法和自适应半径调整法也可以推广到其他优化算法中，在解决实际问题时具有更广泛的优势。<ref>[http://eprints.gla.ac.uk/3894/ X Hu, J Zhang, and Y Li (2008). Orthogonal methods based ant colony search for solving continuous optimization problems. ''Journal of Computer Science and Technology'', 23(1), pp.2-18.]</ref>
+COAC的信息素沉积机制使蚂蚁能够协同有效地寻找解决方案。利用'''<font color="#32cd32">正交化设计法</font>'''，可行域中的蚂蚁可以快速有效地搜索所选区域，提高了全局搜索能力和准确性。正交设计法和自适应半径调整法也可以推广到其他优化算法中，在解决实际问题时具有更广泛的优势。<ref>[http://eprints.gla.ac.uk/3894/ X Hu, J Zhang, and Y Li (2008). Orthogonal methods based ant colony search for solving continuous optimization problems. ''Journal of Computer Science and Technology'', 23(1), pp.2-18.]</ref>
@@ 第139行： / 第139行： @@
 ===递归蚁群优化 Recursive Ant Colony Optimization===
-它是蚂蚁系统的一种<font color="#ff8000">递归 recursive</font>形式，将整个搜索域划分为若干子域，并在这些子域上求解。<ref>Gupta, D.K.; Arora, Y.; Singh, U.K.; Gupta, J.P., "Recursive Ant Colony Optimization for estimation of parameters of a function," Recent Advances in Information Technology (RAIT), 2012 1st International Conference on , vol., no., pp.448-454, 15–17 March 2012</ref>对所有子域的结果进行比较，<font color="#32cd32">并将其中最好的几个子域提升到下一个等级</font>。与选定结果相对应的子区域被进一步细分，并重复这个过程，直到获得所需精度的输出。该方法在不适定地球物理反演问题中得到了验证，效果良好。<ref>Gupta, D.K.; Gupta, J.P.; Arora, Y.; Shankar, U., "[http://nsg.eage.org/publication/download/?publication=68286 Recursive ant colony optimization: a new technique for the estimation of function parameters from geophysical field data]," Near Surface Geophysics , vol. 11, no. 3, pp.325-339</ref>
+它是蚂蚁系统的一种'''<font color="#ff8000">递归 recursive</font>'''形式，将整个搜索域划分为若干子域，并在这些子域上求解。<ref>Gupta, D.K.; Arora, Y.; Singh, U.K.; Gupta, J.P., "Recursive Ant Colony Optimization for estimation of parameters of a function," Recent Advances in Information Technology (RAIT), 2012 1st International Conference on , vol., no., pp.448-454, 15–17 March 2012</ref>对所有子域的结果进行比较，'''<font color="#32cd32">并将其中最好的几个子域提升到下一个等级</font>'''。与选定结果相对应的子区域被进一步细分，并重复这个过程，直到获得所需精度的输出。该方法在不适定地球物理反演问题中得到了验证，效果良好。<ref>Gupta, D.K.; Gupta, J.P.; Arora, Y.; Shankar, U., "[http://nsg.eage.org/publication/download/?publication=68286 Recursive ant colony optimization: a new technique for the estimation of function parameters from geophysical field data]," Near Surface Geophysics , vol. 11, no. 3, pp.325-339</ref>
@@ 第239行： / 第239行： @@
 [[File:ANT antenna 2.jpg|thumb|Unloopback vibrators 10×10, synthesized by means of ACO algorithm<ref name=slyusarant1/>]]
-为了优化天线的结构，可以使用蚁群算法。例如，可以考虑基于蚁群算法（ACO）的天线<font color="#32cd32">RFID</font>标签, <ref>Marcus Randall, Andrew Lewis, Amir Galehdar, David Thiel. Using Ant Colony Optimisation to Improve the Efficiency of Small Meander Line RFID Antennas.// In 3rd IEEE International e-Science and Grid Computing Conference [http://www98.griffith.edu.au/dspace/bitstream/10072/17063/1/47523_1.pdf], 2007</ref>10×10的回送和卸载振动器<ref name=slyusarant1/>
+为了优化天线的结构，可以使用蚁群算法。例如，可以考虑基于蚁群算法（ACO）的天线RFID标签, <ref>Marcus Randall, Andrew Lewis, Amir Galehdar, David Thiel. Using Ant Colony Optimisation to Improve the Efficiency of Small Meander Line RFID Antennas.// In 3rd IEEE International e-Science and Grid Computing Conference [http://www98.griffith.edu.au/dspace/bitstream/10072/17063/1/47523_1.pdf], 2007</ref>10×10的回送和卸载振动器<ref name=slyusarant1/>
@@ 第392行： / 第392行： @@
-<font color="#32CD32">在实践中，蚂蚁之间通过环境交换信息（称为“[[stigmergy]]”的原理）被认为足以使算法属于蚁群算法。基于这种“合作性”的分类原则，作者提出了一些“合作式”的分类和运输方式。</font><ref>A. Ajith; G. Crina; R. Vitorino (éditeurs), ''Stigmergic Optimization'', Studies in Computational Intelligence , volume 31, 299 pages, 2006. </ref>
+'''<font color="#32CD32">在实践中，蚂蚁之间通过环境交换信息（称为“[[stigmergy]]”的原理）被认为足以使算法属于蚁群算法。基于这种“合作性”的分类原则，作者提出了一些“合作式”的分类和运输方式。</font>'''<ref>A. Ajith; G. Crina; R. Vitorino (éditeurs), ''Stigmergic Optimization'', Studies in Computational Intelligence , volume 31, 299 pages, 2006. </ref>
-<font color="#32CD32">实际上，通过蚂蚁之间通过环境交换信息的行为(被称为“stigmergy”原理)足以使一种算法属于蚁群算法的一类。这一原则促使一些作者创造“价值”这个词来组织基于寻找食物，幼虫分类，分工和合作运输的方法和行为。</font><ref>A. Ajith; G. Crina; R. Vitorino (éditeurs), ''Stigmergic Optimization'', Studies in Computational Intelligence , volume 31, 299 pages, 2006.</ref>
+'''<font color="#32CD32">实际上，通过蚂蚁之间通过环境交换信息的行为(被称为“stigmergy”原理)足以使一种算法属于蚁群算法的一类。这一原则促使一些作者创造“价值”这个词来组织基于寻找食物，幼虫分类，分工和合作运输的方法和行为。</font>'''<ref>A. Ajith; G. Crina; R. Vitorino (éditeurs), ''Stigmergic Optimization'', Studies in Computational Intelligence , volume 31, 299 pages, 2006.</ref>
 <br>

@@ 第32行： / 第32行： @@
 ===智能物体的周围网络 Ambient networks of intelligent objects===
-因为“智能”不再是集中的而可以在所有微小的物体中找到，所以需要引入一些新的概念。以人为中心的概念被认为引导了 IT 系统的产生，其中数据处理、控制单元和算力是集中的。这些集中的单元功能不断地提高，并可以与人类大脑相比较。大脑模型已经成为计算机的终极愿景。由智能物体构成的环境网络，以及基于<font color="#ff8000">纳米技术 nanotechnology</font>的新一代信息系统，迟早会深刻地改变这种概念。可以与昆虫相比的小型设备本身并不具备高智能。事实上，他们的智能程度相当有限。例如，不可能把一个能解决任何数学问题的高性能计算器集成到可以植入人体的生物芯片中，或者集成到一个用于跟踪商品的智能标签中。然而，一旦这些物体互相连接起来，它们就拥有了可以与一群蚂蚁或蜜蜂相提并论的智慧。在某些问题下，这种类型的智能可能优于类似于大脑的集中系统的推理<ref name="Waldner 2008 214">{{cite book |last = Waldner  |first = Jean-Baptiste  |title = Nanocomputers and Swarm Intelligence |publisher = ISTE John Wiley & Sons |place = London |year = 2008 |isbn = 978-1-84704-002-2  | page = 214}}</ref>。
+因为“智能”不再是集中的而可以在所有微小的物体中找到，所以需要引入一些新的概念。以人为中心的概念被认为引导了 IT 系统的产生，其中数据处理、控制单元和算力是集中的。这些集中的单元功能不断地提高，并可以与人类大脑相比较。大脑模型已经成为计算机的终极愿景。由智能物体构成的环境网络，以及基于纳米技术的新一代信息系统，迟早会深刻地改变这种概念。可以与昆虫相比的小型设备本身并不具备高智能。事实上，他们的智能程度相当有限。例如，不可能把一个能解决任何数学问题的高性能计算器集成到可以植入人体的生物芯片中，或者集成到一个用于跟踪商品的智能标签中。然而，一旦这些物体互相连接起来，它们就拥有了可以与一群蚂蚁或蜜蜂相提并论的智慧。在某些问题下，这种类型的智能可能优于类似于大脑的集中系统的推理<ref name="Waldner 2008 214">{{cite book |last = Waldner  |first = Jean-Baptiste  |title = Nanocomputers and Swarm Intelligence |publisher = ISTE John Wiley & Sons |place = London |year = 2008 |isbn = 978-1-84704-002-2  | page = 214}}</ref>。
 大自然中存在很多例子，说明了微小的生物在遵循同样的基本规则时，是如何创造出一种宏观层面的'''集体智慧 collective intelligence'''的。社会性昆虫的群落完美地说明了这个与人类社会有很大不同的模型。该模型基于具有简单和不可预测行为的独立单元之间的合作。<ref>{{cite book|last = Waldner  |first = Jean-Baptiste  |title = Inventer l'Ordinateur du XXIème Siècle |publisher = [[Hermes Science]] |place = London |year = 2007  | pages = 259–265 |isbn = 978-2-7462-1516-0}}</ref> 他们穿过周围地区执行某些任务，但只掌握了非常有限的信息。例如，一群蚂蚁具有许多可以应用到环境对象的网络中的特性。蚂蚁群体具有很高的适应环境变化的能力，并且有很强的能力处理某项个体无法完成的任务。这种灵活性对于不断发展的移动网络也是非常有用的,从一台计算机到一个数字化对象的信息包和蚂蚁的行为一样。它们穿过网络并从一个节点传到下一个节点，目的是尽快到达终点。<ref>{{cite book |last = Waldner  |first = Jean-Baptiste  |title = Nanocomputers and Swarm Intelligence |publisher = ISTE John Wiley & Sons |place = London |year = 2008 |isbn = 978-1-84704-002-2  | page = 215}}</ref>
 ===人工信息素系统 Artificial pheromone system===

←上一版本		2021年1月24日 (日) 15:24的版本
第8行：		第8行：


−	在计算机科学和运筹学中，<font color="#ff8000"> 蚁群优化算法 ant colony optimization algorithm</font>（ACO）是一种解决计算问题的概率化方法，它可以简化为通过[[图 Graph ~~(discrete mathematics)~~]]来寻找最优路径。人工蚁群代表了受真实蚂蚁行为启发的多主体方法。	+	在计算机科学和运筹学中，<font color="#ff8000"> 蚁群优化算法 ant colony optimization algorithm</font>（ACO）是一种解决计算问题的概率化方法，它可以简化为通过[[图 Graph]]来寻找最优路径。人工蚁群代表了受真实蚂蚁行为启发的多主体方法。

←上一版本		2021年1月24日 (日) 15:23的版本
第17行：		第17行：


−	在<font color="#ff8000">群智能 swarm intelligence</font>方法中,这个算法是蚁群算法家族的一员。它构成了某些<font color="#ff8000">元启发式 metaheuristic</font>的优化。第一个蚁群算法最初由 Marco Dorigo 在1992年的博士论文中提出<ref>A. Colorni, M. Dorigo et V. Maniezzo, ''Distributed Optimization by Ant Colonies'', actes de la première conférence européenne sur la vie artificielle, Paris, France, Elsevier Publishing, 134-142, 1991.</ref><ref name="M. Dorigo, Optimization, Learning and Natural Algorithms">M. Dorigo, ''Optimization, Learning and Natural Algorithms'', PhD thesis, Politecnico di Milano, Italy, 1992.</ref>，目的是基于蚂蚁在它们的聚居地和食物之间寻找一条路径的行为，在一张图中寻找最佳路径。借鉴了蚂蚁行为的各个方面，最初的蚁群算法已经变得多样化以解决更多类型的数值问题，并且也出现了一些问题。从更高的角度来看，蚁群算法执行基于模型的搜索<ref>{{cite journal\|last1=Zlochin\|first1=Mark\|last2=Birattari\|first2=Mauro\|last3=Meuleau\|first3=Nicolas\|last4=Dorigo\|first4=Marco\|title=Model-Based Search for Combinatorial Optimization: A Critical Survey\|journal=Annals of Operations Research\|date=1 October 2004\|volume=131\|issue=1–4\|pages=373–395\|doi=10.1023/B:ANOR.0000039526.52305.af\|language=en\|issn=0254-5330\|citeseerx=10.1.1.3.427~~\|s2cid=63137~~}}</ref> ，并与'''分布估计算法 estimation of distribution algorithm'''具有一定的相似性。	+	在<font color="#ff8000">群智能 swarm intelligence</font>方法中,这个算法是蚁群算法家族的一员。它构成了某些<font color="#ff8000">元启发式 metaheuristic</font>的优化。第一个蚁群算法最初由 Marco Dorigo 在1992年的博士论文中提出<ref>A. Colorni, M. Dorigo et V. Maniezzo, ''Distributed Optimization by Ant Colonies'', actes de la première conférence européenne sur la vie artificielle, Paris, France, Elsevier Publishing, 134-142, 1991.</ref><ref name="M. Dorigo, Optimization, Learning and Natural Algorithms">M. Dorigo, ''Optimization, Learning and Natural Algorithms'', PhD thesis, Politecnico di Milano, Italy, 1992.</ref>，目的是基于蚂蚁在它们的聚居地和食物之间寻找一条路径的行为，在一张图中寻找最佳路径。借鉴了蚂蚁行为的各个方面，最初的蚁群算法已经变得多样化以解决更多类型的数值问题，并且也出现了一些问题。从更高的角度来看，蚁群算法执行基于模型的搜索<ref>{{cite journal\|last1=Zlochin\|first1=Mark\|last2=Birattari\|first2=Mauro\|last3=Meuleau\|first3=Nicolas\|last4=Dorigo\|first4=Marco\|title=Model-Based Search for Combinatorial Optimization: A Critical Survey\|journal=Annals of Operations Research\|date=1 October 2004\|volume=131\|issue=1–4\|pages=373–395\|doi=10.1023/B:ANOR.0000039526.52305.af\|language=en\|issn=0254-5330\|citeseerx=10.1.1.3.427}}</ref> ，并与'''分布估计算法 estimation of distribution algorithm'''具有一定的相似性。