第ｌ章绪论

第１章绪

１．１课题的研究背景与意义

１．１．１研究背景与研究意义论

人工智能在经历了２０世纪８０时年代的兴旺发展之后，由于在方法论上未能突破经典计算思想的藩篱，逐渐进入了一个低潮时期。然而，随着生物科学的迅猛进步，人工智能的研究开始摆脱经典逻辑计算的束缚，人们纷纷尝试探索新的非经典的计算途径。生物启发计算也随之成为一个研究热点，它给人工智能带来了很多新的思想和启迪。在这种背景下，社会性动物的自组织行为引起了人们的广泛关注。如蚁群、鸟群、蜂群的单个个体行为简单而且随机，但是它们可以凭借集体的力量进行觅食、御敌、筑巢等复杂活动。这种简单个体的相互协作而使群体表现出智能行为的特性就叫做“群集智能＂ｎｑｌ。

在诸多的群集智能行为中，以蚂蚁的觅食行为最引人注目，生物学家研究发现自然界的蚂蚁在运动过程中能够在所经过的路径上留下一种叫做信息素的物质，而且它们还能够感知到这种物质的存在，并以此指导自己的运动方向，蚂蚁个体之间就是通过这种间接的信息交流方式达到搜索食物源的目的。意大利学者Ｍ．Ｄｏｒｉｇｏ等人用计算机对蚁群的觅食行为进行了仿真研究，首次提出了蚁群算法。蚁群算法作为一种新型的解决组合优化问题的模拟进化算法，不仅能够执行智能搜索，进行全局优化，而且具有鲁棒性、正反馈、分布式计算、易于与其它算法相结合等特点。蚁群优化利用正反馈原理，可以加快进化过程；分布式计算使算法易于并行实现；个体之间的间接通信使算法具有更好的扩充性；该算法易于与多种启发算法相结合，可改善算法的性能；由于鲁棒性强，算法不会因为某几个个体的故障而影响问题的求解。因此，蚁群算法的出现为解决复杂的优化问题提供了有力工具，正是由于蚁群算法具有不同于传统算法的独特优点，使其在许多领域可以达到比较理想的优化效果，所以具有广阔的应用前景。

然而，蚁群算法在求解问题时表现出收敛速度慢、易陷入停滞的缺点，这也一直是制约其大规模应用的原因。因此，本课题对蚁群优化算法进行研究，通过对信息素更新机制、信息素扩散模型及局部优化机制的改进，提高了蚁群算法求解问题的能力，并给出了应用蚁群算法求解大规模ＴＳＰ问题和多维背包问题的有效算法。