基于群体智能求解N后问题

计算机工程与应用 ›› 2007, Vol. 43 ›› Issue (5): 71-75.

基于群体智能求解N后问题

王会颖贾瑞玉章义刚刘慧婷

安徽大学计算机科学与技术学院2004级研究生安徽大学计算机科学与技术学院2004级研究生安徽大学计算智能与信号处理重点实验室合肥工业大学计算机网络所

收稿日期:2006-02-23 修回日期:1900-01-01 出版日期:2007-02-11 发布日期:2007-02-11
通讯作者: 王会颖

Based on Swarm Intelligence Solving N Queens Problem

Received:2006-02-23 Revised:1900-01-01 Online:2007-02-11 Published:2007-02-11

摘要/Abstract

摘要： 摘　要：文章提出一种求解N后问题的蚂蚁模型算法，它受启发于群体智能的蚂蚁算法和多Agent系统，又吸收了回溯算法的优点。该算法是一种随机搜索算法，从根本上改变了回溯算法的系统地搜索机制，避免了大量的冗余搜索，又保证了必要的搜索。在求解N后问题的第一个解时，大大地减少求解时间和求解步数，当N较大时，也可得到较好的求解效果。仿真实验结果证实了这一算法的有效性。

关键词: 蚂蚁模型算法x, 群体智能, 蚂蚁算法, N后问题

Abstract: Abstract: An ant model algorithm of solving N queens problem is presented. It is inspired by swarm intelligence and ant algorithm and multi-Agent system. It absorbs advantages of back trace algorithm. Ant model algorithm is a random searching algorithm. It radically changes the technique of systemic searching and avoids large amount of redundant searching and ensures the necessary searching. It greatly reduces searching time and searching steps when it finds the first solution. When N is big it also can obtain better effects. The simulation results show that the algorithm is more efficient.

Key words: Ant model algorithm, Swarm intelligence, Ant algorithm, N queens problem

王会颖贾瑞玉章义刚刘慧婷. 基于群体智能求解N后问题[J]. 计算机工程与应用, 2007, 43(5): 71-75.

[1]	伍洲, 张洪瑞, 张海军, 宋晴. 近邻场优化算法研究与应用综述[J]. 计算机工程与应用, 2022, 58(9): 1-8.
[2]	史春天，曾艳阳，侯守明. 群体智能算法在图像分割中的应用综述[J]. 计算机工程与应用, 2021, 57(8): 36-47.
[3]	张鑫1，邹德旋1，肖鹏1，喻秋2. 自适应简化粒子群优化算法及其应用[J]. 计算机工程与应用, 2019, 55(8): 250-263.
[4]	许德刚，赵萍. 蝙蝠算法研究及应用综述[J]. 计算机工程与应用, 2019, 55(15): 1-12.
[5]	黄霞1，2，叶春明1，郑军1. 混合改进搜索策略的鸡群优化算法[J]. 计算机工程与应用, 2018, 54(7): 176-181.
[6]	张晓凤，王秀英. 布谷鸟搜索算法综述[J]. 计算机工程与应用, 2018, 54(18): 8-16.
[7]	杨小健，徐小婷，李荣雨. 求解高维优化问题的遗传鸡群优化算法[J]. 计算机工程与应用, 2018, 54(11): 133-139.
[8]	李冰1，2，王虎3，王锐4. 客户群及个体服务选择影响因子研究[J]. 计算机工程与应用, 2017, 53(13): 21-28.
[9]	周利军1，彭卫2，邹芳2，刘宇荧3，李莉3. 自适应变异粒子群算法[J]. 计算机工程与应用, 2016, 52(7): 50-55.
[10]	罗浩1，2，刘宇1，2. 一种强化互学习的人工蜂群算法[J]. 计算机工程与应用, 2016, 52(16): 23-29.
[11]	朱沛，范年柏. 吸引子权重改变内嵌区域震荡搜索粒子群算法[J]. 计算机工程与应用, 2016, 52(1): 141-145.
[12]	张海俊，王　　波. 求解TSP的蚁群与模糊自适应粒子群算法[J]. 计算机工程与应用, 2015, 51(16): 117-120.
[13]	周京华，张小凤，张光斌. 基于人工蜂群算法的超声回波参数估计[J]. 计算机工程与应用, 2014, 50(14): 189-193.
[14]	李会1，张天丽2，陶佰睿1，王新红1. 动态分组方案的自适应人工鱼群算法[J]. 计算机工程与应用, 2013, 49(8): 58-62.
[15]	吴涛1，严余松1，2，陈曦1. 自适应信息选择PSO算法及其特性分析[J]. 计算机工程与应用, 2013, 49(6): 1-7.