论文部分内容阅读
随着人们对生命本质的研究不断深入，生命科学正以空前的速度发展，人工智能的研究也开始摆脱传统逻辑计算之束缚，大胆探索起新的非经典计算途径。人工智能先驱Minsky曾认为：“我们应该从生物学而不是物理学受到启示……”。
在这种背景下，蚁群算法应运而生，1992年，意大利学者M.Dorigo通过研究蚁群的觅食行为，在他的博士论文中提出了一种基于种群的模拟进化算法——蚁群优化(ACO)。
由于蚁群算法具有稳健性、全局性、普遍性、分布式计算等众多优点，之后引起了学者们的极大关注，与其它较为成熟算法的相比较，蚁群算法在解决许多实际问题时有着更加优越的表现，在过去十多年的时间里，蚁群算法发展迅速，已在组合优化、网络路由、函数优化、数据挖掘、机器人路径规划甚至股票投资等领域获得了广泛的应用，并取得了较好的成果。
本文围绕蚁群算法的理论及其应用，首先详细阐述了算法的生物学机理，介绍了基本蚁群算法的原理、模型、特点及其在TSP中的实现，并对蚁群算法在各领域的应用做了简要的叙述。同时，指出了基本蚁群算法的一些不足，然后针对不足之处，列举了一些典型的改进算法，例如ACS，MMAS等，并通过实验以及其他学者的研究成果说明了基本蚁群算法模型中各参数的合理选择方法。其次，本文简要介绍了多机器人系统，指出多机器人系统的优势与研究的必要性，再根据ACS算法的思想，结合多机器人的协作，将其应用于多机器人路径规划之中。
最后，本文利用蚁群算法和FCM算法的混合算法，结合边缘检测技术，将其应用于彩色图像分割之中，并以几种不同的代表性图片为样本，进行了计算机仿真，实验取得了很好的结果，表明此混合算法是一种较好的彩色图像分割方法。
在这种背景下，蚁群算法应运而生，1992年，意大利学者M.Dorigo通过研究蚁群的觅食行为，在他的博士论文中提出了一种基于种群的模拟进化算法——蚁群优化(ACO)。
由于蚁群算法具有稳健性、全局性、普遍性、分布式计算等众多优点，之后引起了学者们的极大关注，与其它较为成熟算法的相比较，蚁群算法在解决许多实际问题时有着更加优越的表现，在过去十多年的时间里，蚁群算法发展迅速，已在组合优化、网络路由、函数优化、数据挖掘、机器人路径规划甚至股票投资等领域获得了广泛的应用，并取得了较好的成果。
本文围绕蚁群算法的理论及其应用，首先详细阐述了算法的生物学机理，介绍了基本蚁群算法的原理、模型、特点及其在TSP中的实现，并对蚁群算法在各领域的应用做了简要的叙述。同时，指出了基本蚁群算法的一些不足，然后针对不足之处，列举了一些典型的改进算法，例如ACS，MMAS等，并通过实验以及其他学者的研究成果说明了基本蚁群算法模型中各参数的合理选择方法。其次，本文简要介绍了多机器人系统，指出多机器人系统的优势与研究的必要性，再根据ACS算法的思想，结合多机器人的协作，将其应用于多机器人路径规划之中。
最后，本文利用蚁群算法和FCM算法的混合算法，结合边缘检测技术，将其应用于彩色图像分割之中，并以几种不同的代表性图片为样本，进行了计算机仿真，实验取得了很好的结果，表明此混合算法是一种较好的彩色图像分割方法。