目录 1.引言
2 标准蚁群算法2.1标准蚁群算法的原理
3.标准蚁群算法和MMAS(max-min ant system)蚁群算法
4.自适应蚁群算法
5.自适应蚁群算法在DNA中的应用
6.结束语
致谢
参考文献 参考资料 [1]LORNILBE RTO, DORIGOM, MANIEZZO,Distributed optimization by ant colonies[c.proc,of the First European Conf on Artificial Life.Paris: Elsevier Publishing,1991,134—142.
[2]Dorigo M,Di Caro G.Ant Colony Optimization:A New Meta-Heuristie[J],Proceedings of the Evolutionary Computation,Washington DC,1999:1470~1477.
[3]Hidenori KAWAMURA, Masahito YAMAMOTO,KEIJI SUZUKI et Multiple ANT Colonies Algorithm Based on Colony Level interactions[J] IEEE TRANS Fundamentals,2000,E83—A(2).
[4]Christian Blum, Andrea Roli, Marco Dorgio, HC-ACO the Hyper—Cube Framework for ANT Colony Optimization[C].In:MIc 2001—4th Metaheuristcs，International Conference,2001:16—20.
[5]Fstutzle.H Hoose The Ant system and local search for traveling saleman problem[C], Proceeding of ICEC’97 IEEE 2000,33—50.
[6]Thimas Stzule,DORIGOM,MANIEZZO，MAX-MIN Ant system Preprint submitted to Elsevier Science , 1999~11~30.
[7]Colorni.A, M.Dorigo ManiezzoV,Ant colony system for job-shop scheduling[J].Belgian Journal of operations Research Statistics and computer Science,1994;34(1):39~53.
[8]Gambardella L, M.Dorigo, M..HAS-sop:an etal hybrid ant system for the segaential ordering problem[R].Technique Report,NO IDSIA 97-11,IDSIA,Lugano,Switzerland,1997.
[9]Dorigo M,Meniezzo,Vittorio,Colomi Alberto etal The Ant System:Optimi Tation by a colony of cooperating agents Transaction Systems,Man,and Cybernetics—Part B,1996,26(1)：l-13.
[10]祈斌健,吴启迪等蚁群算法的研究现状及其应用[A],中国控制与决策学术年会论文集[C],2001(5):340-344.
[11]张纪会,徐心和,胡勇等带遗忘因子的蚁群算法[J],系统仿真学报，2000（2）:22-30.
[12]张纪会,徐心和,胡勇等一种新型的模拟进化算法----蚁群算法[J].系统工程理论与实践.1999.（3）:84-87.
[13]唐飞,膝弘飞等十进制整数编码遗传算法的模式定理[J],计算机科学,1999,12(6)：54—56.
[14]杨秋贵,张杰,张素贞等基于拟牛顿法的前向神经元网络学习算法[J].控制与决策,1997,12(4)：357—360.
[15]潘正君,唐飞,膝弘飞等演化计算[M].北京:清华大学出版社,1999.
简单介绍 本文对标准蚁群算法、MMAS蚁群算法、自适应蚁群算法做了较详细系统的总结，其中主要讨论了自适应蚁群算法在DNA序列比对中的应用，主要的过程是：首先，我们设一个计分函数和一个得分策略，在任意给出一对DNA序列，建立一个序列比对矩阵。现由4只蚂蚁从左上角向右下角移动，并且最终到达右下角，那么这4只蚂蚁随意走出4条路径，根据4条路径得出4对等长的比对，再依照计分函数分别计算出4条路径的比对得分，再由5.3式进一步验证4条路径的平均得分值，取其中得分最高（即最优路径）路径；进行第二次信息素增量的调整，方法是根据蚂蚁所走过的方向和该方向上得分比例计算出来的，信息素的变化量利用矩阵来存储，那么下一次蚂蚁所选的路径就要根据以前在各条路径上的信息素浓度总和的大小选择移动方向，最终经过有限次迭代，蚂蚁就会找到一条最优路径，也就是一条与原来DNA最相似的DNA链。

一．引言 在二十世纪九十年代初期，意大利M.Dorigo,V.Maniezzo,A.Colorni等人从蚂蚁觅食的自然现象中受到启发，经过大量的观察和实验发现,蚂蚁在觅食过程中留下了一种外激素，又叫信息激素，它是蚂蚁分泌的一种化学物质，蚂蚁在寻找食物的时候会在经过的路上留下这种物质,以便在回巢时不至于迷路,而且方便找到回巢的最好路径。由此，M.Dorigo等人首先提出了一种新的启发式优化算法，又叫蚁群系统(Ant Colony System)，这种算法是目前国内外启发式算法中的研究热点和前沿课题，被成功地运用于旅行商问题的求解，蚁群算法在求解复杂优化问题方面具有很大的优越性和广阔的前景。但是,根据观察实验发现，蚁群中的多个蚂蚁的运动是随机的，在扩散范围较大时，在较短时间内很难找出一条较好的路径，在算法实现的过程中容易出现停滞现象和收敛速度慢现象。在这种弊端的情况下，学者们提出了一种自适应蚁群算法，通过自适应地调整运行过程中的挥发因子来改变路径中信息素浓度,从而有效地克服传统蚁群算法中容易陷入局部最优解和收敛速度慢的现象。 蚁群算法的主要特点是：正反馈、分布式计算，与某种启发式算法相结合，正反馈过程使得该方法能很快发现较好解；分布式易于并行实现，与启发式算法相结合，使得该方法易于发现较好解。初步的研究表明，蚁群算法是一种基于种群的鲁棒性较强的算法，具有许多优良的性质，为求解复杂的组合优化问题提供了一种新思路。 二．标准蚁群算法 2.1 蚁群算法原理 蚂蚁在外出觅食的过程中,不断地在经过的路径上释放信息激素以便和其他的蚂蚁进行联系，这种信息激素的浓度随着经过该路径的蚂蚁数量而增大，而蚂蚁在回巢或觅食时也会选择信息激素浓度较大的路径，这就会有更多的蚂蚁选择此路径，这就是一种正反馈现象......