群集智能方法是一种能够有效解决大多数全局优化问题的新方法,这类方法往往能够比传统优化方法更快地发现复杂优化问题的最优解。作为群体智能的一种典型实现,蚁群算法正在受到学术界的广泛关注。它是一种应用于组合优化问题的启发式搜索算法。现在其应用领域已扩展到多目标优化、数据分类聚类、生物系统建模、仿真和系统辩识等多个方面,群集智能理论和方法为解决这类应用问题提供了新的途径。因此,开展蚁群理论及应用研究具有重要的学术意义和应用价值。本文对蚁群算法理论做了深入系统的研究,将其应用在特征选取和图像识别两个方面,并通过仿真实验验证了算法应用的有效性。论文主要工作如下。特征选择在模式识别中具有极其重要的作用,它直接影响到模式识别的正确率及速率。进行正确而有效的特征选择,已经成为模式识别过程的重要步骤。为了选出使各类样本尽可能远地互相分开的特征,本文提出了一种基于信息熵的蚁群优化特征选择算法。首先将多幅图像的特征向量作为蚁群算法识别的输入,再将每类图像的任意一组特征作为聚类中心。然后让蚁群按规则运动,改变各特征区域的信息素直到满足搜索条件终止。最后获得目标函数中的特征最大值,其特征即为所选择的特征。本文提出了一种信息熵蚁群的图像识别算法,有效地利用蚁群算法的寻优能力,实现图像的识别。首先建立所有样本类别的图像库,然后将刚提取的特征与图像识别模板进行匹配,最后计算每只蚂蚁走过的路经上留下信息素的值,路径短留下的信息素浓度高,取各路经上的信息素最大值为最佳匹配实现识别。实验结果表明,本课题提出的算法对标准数字识别具有较高的识别率。