蚁群算法模拟系统的设计与实现-毕设论文
蚁群算法及案例分析精选全文
群在选择下一条路径的时
候并不是完全盲目的,而是
按一定的算法规律有意识
地寻找最短路径
自然界蚁群不具有记忆的
能力，它们的选路凭借外
激素，或者道路的残留信
息来选择，更多地体现正
反馈的过程
人工蚁群和自然界蚁群的相似之处在于,两者优先选择的都
是含“外激素”浓度较大的路径; 两者的工作单元(蚂蚁)都
正反馈、较强的鲁棒性、全
局性、普遍性
局部搜索能力较弱，易出现
停滞和局部收敛、收敛速度
慢等问题
优良的分布式并行计算机制
长时间花费在解的构造上，
导致搜索时间过长
Hale Waihona Puke 易于与其他方法相结合算法最先基于离散问题，不
能直接解决连续优化问题
蚁群算法的
特点
蚁群算法的特点及应用领域
由于蚁群算法对图的对称性以
及目标函数无特殊要求，因此
L_ave=zeros(NC_max,1);
%各代路线的平均长度
while NC<=NC_max
%停止条件之一：达到最大迭代次数
% 第二步：将m只蚂蚁放到n个城市上
Randpos=[];
for i=1:(ceil(m/n))
Randpos=[Randpos,randperm(n)];
end
Tabu(:,1)=(Randpos(1,1:m))';
scatter(C(:,1),C(:,2));
L(i)=L(i)+D(R(1),R(n));
hold on
end
plot([C(R(1),1),C(R(N),1)],[C(R(1),2),C(R(N),2)])
蚁群算法
第二课堂与理论创新论文<<蚁群算法及应用>>姓名：孙松学号：20074578班级：一班专业：网络工程蚁群算法及应用摘要：蚁群算法是近几年来迅速发展起来的、并得到广泛应用的一种新型模拟进化优化算法。
研究表明该算法具有并行性，鲁棒性等优良性质。
蚁群算法是一种新型模拟进化算法，广泛应用于求解组合优化问题．对蚁群算法的原理、模型的建立及此算法的发展前景进行了剖析对蚁群算法理论及其进展情况做了简要的综述，介绍了该算法在理论和实际问题中的应用，并对其前景进行了展望。
The ant group algorithm and ApplicationAbstract：The ant group algorithm is in the last few years the rapidly expand, and obtains the widespread application one kind of new simulation evolution optimization algorithm. The research indicated that this algorithm has parallelism, robust and so on fine nature. The ant group algorithm is one kind of new simulation evolution algorithm, widely applies in the solution combination optimization question. To the ant group algorithm's principle, the model establishment and this algorithm's prospects for development have carried on the analysis have made the brief summary to the ant group algorithm theory and the progress, introduced this algorithm in the theory and actual problem's application, and has carried on the forecast to its prospect. Keywords：Ant group algorithm; Parallelism; Combination optimization; Model building一、引言：随着科学技术和现代化生产的迅猛发展，优化问题在各行各业中的地位越来越重要，而实际优化问题也更加复杂，因此，迫切需要新的优化理论和方法。
蚁群算法的原理与应用论文
蚁群算法的原理与应用论文引言蚁群算法（Ant Colony Optimization，简称ACO）是一种模拟蚂蚁觅食行为的优化算法。
它源于对蚂蚁在寻找食物过程中的集体智能行为的研究，通过模拟蚂蚁在寻找食物时的信息交流和路径选择，来寻求最优解。
蚁群算法具有全局搜索能力、自适应性和高效性等特点，被广泛应用于各个领域的优化问题求解中。
蚁群算法的原理蚁群算法的原理主要包括蚂蚁行为模拟、信息交流和路径选择这三个方面。
蚂蚁行为模拟蚂蚁行为模拟是蚁群算法的核心，它模拟了蚂蚁在寻找食物时的行为。
蚂蚁沿着路径前进，释放信息素，并根据信息素的浓度选择下一步的移动方向。
当蚂蚁在路径上发现食物时，会返回到蚂蚁巢穴，并释放更多的信息素，以引导其他蚂蚁找到这条路径。
信息交流蚂蚁通过释放和感知信息素来进行信息交流。
蚂蚁在路径上释放信息素，其他蚂蚁在感知到信息素后，会更有可能选择这条路径。
信息素的浓度通过挥发和新的信息素释放来更新。
路径选择在路径选择阶段，蚂蚁根据路径上的信息素浓度选择移动的方向。
信息素浓度较高的路径更有可能被选择，这样会导致信息素逐渐积累并形成路径上的正反馈。
同时，蚂蚁也会引入一定的随机因素，以增加算法的多样性和全局搜索能力。
蚁群算法的应用蚁群算法已经在各个领域得到广泛的应用，下面列举了几个常见的领域：•路径规划：蚁群算法能够用于求解最短路径和最优路径问题。
通过模拟蚂蚁寻找食物的行为，可以得到最优的路径解决方案。
•旅行商问题：蚁群算法被广泛应用于旅行商问题的求解中。
通过模拟蚂蚁的行为，找到最优的旅行路径，使得旅行商能够有效地访问多个城市。
总结蚁群算法是一种模拟蚂蚁觅食行为的优化算法，通过模拟蚂蚁的行为和信息交流，来寻找最优解。
蚁群算法具有全局搜索能力、自适应性和高效性等特点，在各个领域都得到了广泛应用。
未来，随着对蚁群算法的深入研究和改进，相信它会在更多的优化问题求解中发挥重要作用。
以上是关于蚁群算法的原理与应用的论文，希望对读者有所帮助。
毕业设计论文-基于蚁群算法的图像边缘检测-附代码
毕业设计论文-基于蚁群算法的图像边缘检测-附代码上海工程技术大学毕业设计(论文) 基于蚁群算法的图像边缘检测目录摘要 ...............................................................1 ABSTRACT .............................................................2 1 绪论 (3)1.1 研究背景 ...........................................................31.2 研究现状和发展方向 (4)6 1.3 研究目的和意义 .....................................................2 图像边缘检测概述 ..................................................... 7 2.1 边缘的定义及类型 ................................................... 8 2.2 常用的边缘检测方法 (10)2.3 其他边缘检测方法 .................................................. 15 2.3.1 基于小波变换的边缘检测 .......................................... 15 2.3.2 基于数学形态学的边缘检测 (16)17 2.4 传统边缘检测的不足 ................................................3 蚁群算法 ............................................................ 17 3.1蚁群算法的基本原理 (18)3.2 基于蚁群算法的图像边缘检测 ........................................21 4 实验结果及分析 ...................................................... 22 4.1 基于蚁群算法的图像边缘检测流程 .................................... 22 4.2 实验结果与性能分析 (26)4.2.1 参数对边缘检测的影响 ............................................ 294.2.2 与传统方法的比较 ................................................ 35 5 总结与展望 .......................................................... 37 参考文献 .............................................................. 39 附录 ................................................. 错误～未定义书签。
蚁群算法文献综述
1. 前言
蚁群算法（AntColonyOptimization,ACO），它由Marco Dorigo于1992年在他的博士论文“Ant system: optimization by a colony of cooperating agents”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。其机理是:生物界中的蚂蚁在搜寻食物源时,能在其走过的路径上释放一种蚂蚁特有的分泌物信息素,使得一定范围内的其他蚂蚁能够觉察并影响其行为.当某些路径上走过的蚂蚁越来越多时,留下的这种信息素轨迹也越多,以至信息素强度增大,使后来蚂蚁选择该路径的概率也越高,从而更增加了该路径的信息素强度.蚁群算法是一种仿生类非线性优化算法,具有并行性、正反馈性和全局极小搜索能力强等特点.蚁群算法最早应用于旅行商问题（Travelling Salesman Problem）简称TSP问题，后来陆续渗透到其他领域，在很多领域已经获得了成功的应用，其中最成功的是在组合优化问题中的应用。组合优化问题分为两类：一类是静态组合优化问题，其典型代表有TSP，车间调度问题；另一类是动态组合优化问题，例如网络路由问题。本次毕业论文主要聚焦于静态组合优化问题。
蚂蚁在选择路径时，那些有更多蚂蚁曾经选择过的路径（也就是具有更高信息素密度的路径），被再次选中的可能性最大。
当ｔ＝０时，没有信息素，有３０只蚂蚁分别在Ｂ和Ｄ。蚂蚁走哪条道路是完全随机的。因此，在每个点上蚂蚁将有１５只经过Ｈ，另外１５只经过Ｃ。
当ｔ＝１时有３０只蚂蚁从Ａ到Ｂ，它们发现指向Ｈ道路上的信息素密度是１５，是由从Ｂ出发的蚂蚁留下的；指向Ｃ道路上的信息素密度是３０，其中１５是由Ｂ出发蚂蚁留下，另外１５是从Ｄ出发经过Ｃ已经到达Ｂ的蚂蚁留下。因此，选择经过Ｃ到Ｄ的可能性就更大，从Ｅ出发到Ｄ的３０只蚂蚁也面临着同样的选择，由此产生一个正反馈过程，选择经过Ｃ的蚂蚁越来越多，直到所有的蚂蚁都选择这条较近的道路。图1是著名的双桥实验的简化描述。
蚁群算法的改进与实现
蚁群算法的改进与实现作者：何巧亮指导老师：吴超云摘要近年来蚁群算法的研究有了很大的进展，本文介绍了一种基于信息素更新的蚁群算法—最优-最差蚂蚁系统.该算法通过对局部信息素、全局信息素更新的改进，以及对最优解进行更大限度的增强和对最差解的削弱，使得属于最优路径的边与属于最差路径的边之间的信息素量差异进一步增大，从而使得蚁群的搜索行为更集中于最优解的附近.最后通过仿真实验，证明了改进算法可以得到最优解，且收敛速度比一般的蚁群算法更快.关键词蚁群算法TSP信息素1 引言蚁群算法（Ant Colony Algorithm）是通过对自然界中真实的蚁群集体行为的研究而提出的一种基于种群的模拟进化算法.该算法属于随机搜索算法，由意大利学者M.Dorigo等[1]首先提出.该算法充分利用了蚁群搜索食物的过程来求解TSP，为了区别于真实蚂蚁群体系统，称该算法为“人工蚁群算法”.用蚁群方法求解NP-complete问题如TSP问题[2]、分配问题以及job-shop调度问题等，取得了较好的试验结果.蚁群算法的近10年来的研究表明：蚁群算法用于解决组合优化问题时具有很强的发现解的能力，且具有分布式计算、易于与其它方法结合、鲁棒性强等优点，在动态环境下表现出高度的灵活性和健壮性.除了业已得到公认的遗传算法、模拟退火算法、禁忌搜索算法、神经网络算法等热门进化类方法，新加入的蚁群算法也开始崭露头角，为复杂困难的系统优化问题提供了新的求解方法.尽管一些思想尚处于萌芽时期，但人们已隐隐约约认识到，人类诞生于大自然，解决问题的灵感似乎也应该来自于大自然.这种由欧洲学者提出并加以改进的新颖系统优化思想，正在吸引着越来越多的学者的关注和研究，应用范围也开始遍及到许多科学技术和工程领域.蚁群算法在运算过程中，蚁群的转移是由各条路径上留下的信息量强度和城市之间的距离来引导的.蚁群运动的路径总是趋近于信息量最大的路径.通过对蚁群以及蚁群算法的研究表明，不论是真实蚁群还是人工蚁群系统，通常情况下，信息量最强的路径与所需要的最优路径比较接近.然而，信息量最强的路径不是所需要最优路径的情况仍然存在，而且在人工蚁群系统中，这种现象经常出现.这是由于在人工蚁群系统中，路径上的初始信息量是相同的，蚁群创建的第一条路径所获得的信息主要是城市之间的距离信息，这时蚁群算法等价于贪婪算法.第一次循环中蚁群在所经过的路径上留下的信息不一定能反映出最优路径的方向，特别是蚁群中个体数目较少或者所计算的路径组合较多时，就更不能保证蚁群创建的第一条路径能引导蚁群走向全局最优路径.第一次循环后，蚁群留下的信息会因为正反馈作用使得这条路径不是最优的路径，而且可能使离最优路径相差很远的路径上的信息得到不应有的增强，从而阻碍以后的蚂蚁发现更好的全局最优路径.不仅是第一次循环所建立的路径可能对蚁群产生误导，任何一次循环，只要这次循环所利用的信息较平均地分布在各个方向上，这次循环所释放的信息素就可能会对以后蚁群的决策产生误导.因此蚁群所找出的解需要通过一定的方法来增强，使蚁群所释放的信息素尽可能地不对以后的蚁群产生误导.同时，蚁群算法存在搜索时间长、易于停滞的缺点.近年来的研究表明，在解的质量和最优解的距离之间存在着一定的关系.因此将搜索集中于搜索过程中所找出的最优解的周围，是这些改进算法提高算法性能的基本着重点.2 基本蚁群算法系统模型基本蚁群算法系统是我们研究改进的蚁群算法的基础，在近年的研究中起着极其重要的作用，下面我们将引入其模型以及相关改进算法的说明.2.1 TSP 问题下的基本蚁群算法]3[Ant System 最先用于求解旅行商问题(TSP),下面就以TSP 问题为例来说明Ant System.设m 为蚁群数量；ij d 为城市i ，j 之间的距离；)(t τ为t 时刻连接城市i 和j 的路径(i,j)上的残留信息量，初始时刻各路径上信息量相等，设C =)0(τ（C 为常数）；η表示城市i 转移到城市j 的期望程度，可根据某种启发式算法具体确定，在TSP 问题中一般取ij ij d l /=η.蚂蚁k(k=1,2,…,m)根据各条路径上的信息量决定转移方向，t 时刻蚂蚁k 从城市i 向城市j转移的概率)(t P kij 计算式为()()()0ij ij k ijis is t t P t otherwiseαβαβτητη⎧⨯⎪=⨯⎨⎪⎩∑ （2.1） 式中,j ∈allowed k ，s ∈allowed k ，allowed k ={0,1,…,n-1}-tabu k 表示蚂蚁k 下一步允许选择的城市.与自然蚁群系统不同之处在于人工蚁群系统具有一定的记忆力, tabu k（k=1,2,…,m ）用于记录蚂蚁k 所走过的城市,集合tabu k 随着进化过程进行动态调整.人工蚁群保留了自然蚁群信息素挥发特点,随着时间的推移,以前留下的信息逐渐消逝,参数ρ (10<≤ρ)表示信息素的持久性，1-ρ则表示信息素的衰减度.在每只蚂蚁完成对所有城市(n 个)的访问后(即一次循环结束) ,各路径的信息素量根据式(2.2) ,式(2.3) 进行调整.ij ij ij t n t τρτρτ∆-+=+)1()(.)( (2.2)∑=∆=∆mk kijij 1ττ (2.3) 在(2.3)式中,kij τ∆表示第k 只蚂蚁在本次循环中留在路径(i ，j)上的信息素量,ij τ∆表示本次循环中路径(i ，j)上的信息素增量. 否则 ）时刻经过路径（只蚂蚁在若第⎪⎩⎪⎨⎧+=∆ 0,1 j i t k L Qk kij τ （2.4） 在(2.4)式中, Q 是1 个常数, 表示蚂蚁所留的信息素量，k L 表示第k 只蚂蚁在本次循环中所走路径的长度.在初始时刻，。
应用篇-第11章-蚁群算法的仿真与实现
11.2.6
信息素挥发的抽象
自然界中的真实蚂蚁总是在所经路径上连续不断地留下信息素，而 信息素也会随着时间的推移而连续不断地挥发。由于计算机处理的 事件只能是离散事件，所以必须使信息素的挥发离散发生。通常的 做法是，当蚂蚁完成从某一节点到下一节点的移动后，即经过一个 时间单位之后，进行一次信息素的挥发，而这种在离散时间点进行 信息素挥发的方式与蚂蚁觅食过程的机理是完全相符的。11.2.2来自基本蚁群算法的机制原理
模拟蚂蚁群体觅食行为的蚁群算法是作为一种新的计算智能 模式引入的，该算法基于如下基本假设： （1）蚂蚁之间通过信息素和环境进行通信。每只蚂蚁仅根 据其周围的局部环境做出反应，也只对其周围的局部环境产 生影响。 （2）蚂蚁对环境的反应由其内部模式决定。因为蚂蚁是基 因生物，蚂蚁的行为实际上是其基因的适应性表现，即蚂蚁 是反应型适应性主体。 （3）在个体水平上，每只蚂蚁仅根据环境做出独立选择； 在群体水平上，单只蚂蚁的行为是随机的，但蚁群可通过自 组织过程形成高度有序的群体行为。
(1) 人工蚂蚁存在于一个离散的空间中，它们的移动是从一个状态到另一 个状态 的转换；
(2) 人工蚂蚁具有一个记忆其本身过去行为的内在状态；
(3) 人工蚂蚁存在于一个与时间无关联的环境之中； (4) 人工蚂蚁不是完全盲从的，它还受到问题空间特征的启发。例如有的 问题中 人工蚂蚁在产生一个解后改变信息量，而有的问题中人工蚂蚁每作出 一步选择 就更改信息量，但无论哪种方法，信息量的更新井不是随时都可 进行的； (5) 为了改善算法的优化效率，人工蚂蚁可增加一些性能，如预测未来、 局部优化、回退等，这些行为在真实蚂蚁中是不存在的。在很多具体应用中， 人工蚂 蚁可在局部优化过程中相互交换信息，还有一些改进蚁群算法中的人 工蚂蚁可 实现简单预测。
毕业论文：蚁群算法的研究应用(定稿)-精品【范本模板】
第一章绪论1。
1选题的背景和意义受社会性昆虫行为的启发，计算机工作者通过对社会性昆虫的模拟产生了一系列对于传统问题的新的解决方法，这些研究就是群体智能的研究。
群体智能作为一个新兴领域自从20世纪80年代出现以来引起了多个学科领域研究人员的关注，已经成为人工智能以及经济社会生物等交叉学科的热点和前沿领域。
群体智能（Swarm Intelligence）中的群体（Swarm）指的是“一组相互之间可以进行直接通信或者间接通信(通过改变局部环境）的主体,这组主体能够合作进行分布问题求解，群体智能指的是无智能或者仅具有相对简单智能的主体通过合作表现出更高智能行为的特性；其中的个体并非绝对的无智能或只具有简单智能,而是与群体表现出来的智能相对而言的。
当一群个体相互合作或竞争时，一些以前不存在于任何单独个体的智慧和行为会很快出现。
群体智能的提出由来已久，人们很早以前就发现,在自然界中，有的生物依靠其个体的智慧得以生存,有的生物却能依靠群体的力量获得优势。
在这些群体生物中,单个个体没有很高的智能,但个体之间可以分工合作、相互协调,完成复杂的任务，表现出比较高的智能。
它们具有高度的自组织、自适应性,并表现出非线性、涌现的系统特征。
群体中相互合作的个体是分布式的，这样更能够适应当前网络环境下的工作状态；没有中心的控制与数据，这样的系统更具有鲁棒性，不会由于某一个或者某几个个体的故障而影响整个问题的求解。
可以不通过个体之间直接通信而是通过非直接通信进行合作，这样的系统具有更好的可扩充性。
由于系统中个体的增加而增加的系统的通信开销在这里十分小.系统中每个个体的能力十分简单，这样每个个体的执行时间比较短，并且实现也比较简单，具有简单性。
因为具有这些优点，虽说群集智能的研究还处于初级阶段，并且存在许多困难，但是可以预言群集智能的研究代表了以后计算机研究发展的一个重要方向。
随着计算机技术的飞速发展，智能计算方法的应用领域也越来越广泛，当前存在的一些群体智能算法有人工神经网络，遗传算法，模拟退火算法，群集智能,蚁群算法,粒子群算等等。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
J I A N G S U U N I V E R S I T Y 本科毕业论文蚁群算法模拟系统的设计与实现Ant Colony Simulation System Design and Implementation江苏大学2010届毕业设计（论文）蚁群算法模拟系统的设计与实现专业班级：J计算机0601 学生姓名：汤琪指导教师：蔡涛职称：副教授摘要：人工免疫算法具有快速随机的全局搜索能力，但对于系统中的反馈信息利用不足，往往做大量无为的冗余迭代，求解效率低。
蚁群算法具有分布式并行全局搜索能力，但初始解随机，易早熟且求解速度慢。
本文提出免疫算法和蚁群算法的混合算法免疫蚁群算法，通过信息素更新获得全局最佳解。
通过匹配检测仿真实验，结果证明该算法是计算精度较好的一种算法。
本设计是在Linux环境下，用C语言编写的。
Linux是一类Unix计算机操作系统的统称。
Linux操作系统的内核的名字也是“Linux”。
Linux操作系统也是自由软件和开放源代码发展中最著名的例子。
严格来讲，Linux这个词本身只表示Linux内核，但在实际上人们已经习惯了用Linux来形容整个基于Linux内核，并且使用GNU 工程各种工具和数据库的操作系统。
Linux得名于计算机业余爱好者Linus Torvalds。
关键词：人工免疫算法蚁群算法匹配检测 Linux英文摘要Ant Colony Simulation System Design and ImplementationAbstract Artificial immune algorithm is fast random global search capability, but the feedback system is underutilized, often do a lot of inactive redundant iteration, solve the low efficiency.Ant colony algorithm has the distributed parallel global search capability, but the initial solution randomly, prematurity and slow to solve.In this paper, the immune algorithm and ant colony hybrid immune algorithm ant colony algorithm, pheromone update access to the global optimal solution.Detected by matching simulation results show that the algorithm is an algorithm for better accuracy.The design is in the Linux environment, using C language. Linux is a Unix-computer operating system collectively. Linux operating system kernel's name is "Linux". Linux operating system is free software and open source development in the most famous example. Strictly speaking, Linux is only the word that Linux kernel itself, but in fact people have used to describe the use of Linux based on Linux kernel and GNU project using various tools and database operating systems. Linux is named after the computer amateur Linus Torvalds.Key Words Artificial immune algorithm ant colony algorithm matching test Linux目录中文摘要 (I)ABSTRACT (II)目录 (1)第一章引言 (3)1.1.研究背景 (3)1.2.本课题的开发意义 (4)第二章关键技术 (5)2.1.L INUX 基本知识 (5)2.1.1 Linux的发展历史 (5)2.1.2 Linux的常用命令 (6)2.1.3 GCC基础知识要点 (7)2.2.基本蚁群算法 (9)2.2.1 基本蚁群算法 (9)2.2.2 蚁群算法基本步骤 (11)2.2.3蚁群算法流程图 (11)2.2.4复杂度分析 (12)2.3.基本人工免疫算法 (13)2.3.1 一般免疫算法的理论思想 (13)2.3.2 人工免疫算法 (15)第三章系统的设计与实现 (17)3.1人工免疫算法设计 (17)3.1.1 人工免疫算法基本步骤 (17)3.1.2 人工免疫算法流程图 (17)3.1.3人工免疫的相关设计 (18)3.2蚁群算法设计 (20)3.2.1 蚁群算法实现步骤 (20)3.2.2 蚁群算法流程图 (21)3.3随机检测设计 (21)第四章运行 (23)4.1 各运行命令 (23)4.2 检测器的添加 (24)4.3整体检测 (24)4.4随机选取检测器检测 (24)4.5蚁群算法选取检测器检测 (25)第五章总结 (27)致谢 (28)参考文献 (29)第一章引言1.1.研究背景人工智能经历了20世纪80年代整整10年的繁荣后，由于方法论上始终没有突破经典计算思想的樊篱，再次面临着寒冬季节的考验。
在这种背景下，社会性动物(如蚁群、蜂群、鸟群等)的自组织(Self-organization)行为引起了人们的广泛关注，许多学者对这种行为进行数学建模并用于计算机对其进行仿真，这就产生了所谓的“群体智能”(Swarm Intelligence，简称SI)。
社会性动物的妙处在于:个体的行为都很简单，但当他们一起协同工作时，却能够“突现”出非常复杂(智能)的行为特征。
例如，单只蚂蚁的能力极其有限，但当这些简单的蚂蚁组成蚁群时，却能完成像筑巢、觅食、迁徙、清扫蚁巢等复杂行为;一群行为显得盲目的蜂群能造出精美的蜂窝;鸟群在没有集中控制的情况下能够同步飞行等。
这些自组织行为中，又以蚁群在觅食过程中总能找到一条从蚁巢到食物源的最短路径最为引人注目。
受其启发，意大利学者M.Dorigo，V.Maniezzo and A.colorni于20世纪90年代初提出的一种新型的智能优化算法蚁群优化 (Ant Colony Optimization，简称ACO)。
它通过信息素的积累和更新来寻求最优解，主要特点是模拟自然界中蚂蚁的群体行为。
目前国内外研究者用蚁群算法研究了旅行商问题，指派问题，调度问题等，取得了一系列较好的实验结果。
蚁群算法具有分布式并行搜索能力，较强的鲁棒性和易于与其他算法结合等优点，但同时也存在着一些不足之处:(1)与其他算法相比该算法需要较长的搜索时间;(2)该算法容易早熟，即搜索进行一定程度后，所有个体所发现的解完全一致，不能对解空间进行进一步搜索;(3)初始解和初始信息素随机。
近几年，人们提出了多种方法来解决蚁群算法的这三个缺点，其中蚁群算法与其他算法混合产生新的混合算法是一个研究方向，例如禁忌算法与蚁群算法混合，遗传算法与蚁群算法混合，粒子群算法与蚁群算法混合等。
这些算法应用于TSP问题或函数优化问题的求解取得了较好效果。
人工免疫系统 (Artificial Immune System，简称AIS)是模仿生物免疫系统的免疫应答、免疫调节等机理，构造出的一类高性能、自组织、鲁棒性好的人工智能系统。
目前，人工免疫系统的研究己经受到学者们越来越广泛的关注，人工免疫算法也在实际工程应用中得到了推广。
人工免疫成为继神经网络、模糊逻辑和进化计算后人工智能领域又一研究热点。
免疫系统是一种复杂的分布式信息处理学习系统，这种系统具有免疫防护、免疫耐受、免疫记忆、免疫监视功能，这些功能和特点给予研究人员较多的灵感，促成许多学者建立了基于免疫机理的智能方法，解决大量的非线性科学问题。
本文将人工免疫算法与蚁群算法混合产生新的算法免疫蚁群算法(Artificial Immune Ant Colony Algorithm，简称AIACA)，并将该算法应用于匹配检测，计算机仿真结果证明该算法是计算精度都较好的一种算法。
1.2.本课题的开发意义本课题通过蚁群优化算法改进人工免疫算法，主要改进人工免疫算法中通过抗体与抗原之间的亲和力以及抗体与抗体之间的排斥力来选择抗体的方法。
采用人工免疫算法生成信息素分布，利用蚁群算法求优化解，优势互补，在收敛速度和寻优能力两方面较原有算法都有明显改善。
第二章关键技术2.1. Linux 基本知识2.1.1 Linux的发展历史Linux的历史可以追溯到1990年，Linus Torvalds还是芬兰赫尔辛基大学的一名学生，最初用汇编语言写了一个在80386保护模式下处理多任务切换的程序，后来从Linux(用于操作系统教学、很小的Unix)中得到灵感，发誓要写一个比Linux更好的Linux，于是开始写了一些硬件的设备驱动程序、一个小的文件系统......，这样0.0.1版本的Linux就出来了，但是它必须在有Linux的机器上编译以后才能玩，这时候的Linus已经完全“走火入魔”了，决定踢开Linux “闹革命”，于是在1991年10月5号发布了Linux 0.0.2版本，这个版本已经可以运行bash(一种用户与操作系统内核通讯的软件)和gcc(GNU C编译器)了。
Linux从一开始，就决定自由扩散Linux、包括源代码，他把源代码发布在网上，随即就引起爱好者的注意，他们通过互连网也加入了Linux的内核开发工作，一大批高水平程序员的加入，使得Linux达到迅猛发展，到1993年底，Linux 1.0终于诞生。
Linux 1.0已经是一个功能完备的操作系统了，其内核写得紧凑高效，可以充分发挥硬件的性能，在4M内存的80386机器上也表现得非常好很多人对Linux的认识有个误区，即总把Linux与低档硬件平台联系到一起，其实从2.1.xx系列内核开始，Linux就开始走高端的路子了，大约在1.3版本之后，开始向其他硬件平台上移植，包括号称最快的CPU---Digital Alpha(目前主频是最高的)，目前Linux能将硬件的性能充分发挥出来，可以囊括低端到高端的所有应用。