بسیاری از مسائل دنیای واقعی پویا هستند. برای حل یک مسئله بهینه سازی پویا نیاز به الگوریتمی داریم که علی رغم پیدا کردن بهینه در محیط بتواند بهینه های در حال تغییر را دنبال کند. تاکنون الگوریتم های تکاملی مختلفی برای بهینه سازی در محیط های پویا پیشنهاد شده است. در یک محیط پویا پس از روی دادن تغییر در محیط الگوریتم نیاز به تنوع کافی جهت جستجوی دوباره محیط دارد. در عین حال استفاده از اطلاعات جستجوهای پیشین رود جستجو را سریع تر می کند. مشکل اصلی الگوریتم های تکاملی معمول در حل مسائل بهینه سازی پویا همگرایی زودرس و کاهش تنوع جمعیتی در طول زمان است. بنابراین در مواجه با مسائل بهینه سازی پویا نیاز به رویکردهایی است که تنوع را در طول زمان حفظ کنند. در این پروژه الگوریتم کلونی مورچه را بررسی کرده و در بسیاری مسائل کاربرد ان را بررسی می کند.
تقدیر و تشکر
چیکده
مقدمه
تاریخچه
الگوریتم کلونی مورچه ها
هوشمندی توده ای
تفاوت هوشمندی توده ای و هوشمندی اجتماعی
بهینه سازی مسایل به وسیله کلونی مورچه
استفاده از بهینه سازی کولونی مورچه ها در مسئله فروشنده دوره گرد
مورچه ها چگونه کوتاه ترین مسیر را پیدا می کنند؟
انواع مختلف الگوریتم بهینه سازی مورچگان
مزیت های الگوریتم کلونی مورچه
کاربردهای الگوریتم کلونی مورچه
الگوریتم ACO
جنگ مورچه های اتشین
الهام از طبیعت برای پیاده سازی نظام های اجتماعی
ساختار نظام تحقیقات حرفه ای در پزشکی نوین
مزایای تحقق نظام تحقیقات حرفه ای در جامعه
مورچه ها متخصصان برجسته علم ژنتیک
بهینه سازی مسائل ریاضی به روش مورچه ها(ACO)
بهینه سازی شبکه های کامپیوتری با الهام از کلونی مورچه ها
کاربرد های الگوریتم کلونی مورچه ها در سگمنتیشن تصویر
تقطیع تصویر مبتنی بر MRF با استفاده از سیستم کلونی مورچه
سیستم Ant Colony برای تقسیم بندی و طبقه بندی Microcalcification در ماموگرام
استفاده از الگوریتم ACO در تقطیع تصویر برای استانه سازی مطلوب
5- کاربرد های الگوریتم حرکت دسته جمعی پرندگان در سگمنتیشن تصویر
1-5تقطیع تصاویر داده های سه بعدی با استفاده از الگوریتم بهینه سازی جمعی پرندگان
2-5ترکیب بهینه سازی حرکت جمعی پرندگان با الگوریتم های دسته بندی Unsupervised برای تقطیع تصویر
3-5بهینه سازی کلونی مورچه و الگوریتم بهینه سازی حرکت دسته جمعی پرندگان برای طبقه بندی Microcalcifications در ماموگرافی
افق اینده
نتیجه گیری