蚂蚁群算法和粒子群算法的优化应用

现代最优化算法是现代经济、社会、科技、军事领域中普遍应用的算法。群体智能（swarm intelligence）优化算法是一种新型的最优化算法。由于它不需要提供全局精确的数学模型，没有集中控制，仅利用群体的优势来执行搜索任务，比传统的优化方法能更快地求得复杂组合优化问题的最优解，并为解决这类任务提供了新的思路，因此在系统工程、自动控制、模式识别、信息技术、电气工程、管理工程等领域，特别是在当今的热点——人工智能技术领域获得了广泛的应用。

群体智能优化算法通过模拟自然界生物群体行为来实现寻优，它是从20世纪90年代发展起来的新型最优化算法。经过30多年的发展，已提出许多分枝的算法，如人工鱼群算法、蚁群算法、萤火虫算法、蜂群算法、鸟群算法、蝙蝠算法、狼群算法、细菌觅食算法、猫群算法、粒子群算法，等等。这些群体智能优化算法为解决上述各领域的实际问题作出了杰出的贡献，并成为仿生计算理论研究的重要方向。

群体智能优化算法还提供了广泛的创新空间，特别适合人们在人工智能领域，如语音识别、人脸识别、图像技术、虚拟现实、增广现实以及国民经济各部门的智能大系统领域进行创新研究。目前的实际情况是群体智能优化的实践远远走到理论的前面，因此关于群体智能优化的理论研究就显得特别重要，它是广大科研人员特别是高校研究生的重要研究任务。(www.xing528.com)

在上述众多的群体智能优化算法中，有两种算法：蚁群算法（ant colony optimization，简称ACO）和粒子群算法（particle swarm optimization，简称PSO）应用最广泛。前者是对蚂蚁群体采集事物的模拟，已成功解决了许多离散的优化计算问题，由意大利学者M.Dorigo于1991年首次提出。粒子群算法是受鸟群、鱼群等猎食时的搜索策略的启发而形成的，由美国学者J.Kennedy和R.C.Eberhart在1995年提出，已在函数优化、神经网络训练、模式识别与分类、模糊系统控制以及其他工程领域得到了广泛的应用。本书将对这两种算法作重点介绍。