Question

求翻译关于于蚁群算法，英文原文如下：

Consider for example the experimental setting shown in Fig. 1. There is a path along which ants are walking (for example from food source A to the nest E, and vice versa, see Fig. 1a).Suddenly an obstacle appears and the path is cut off. So at position B the ants walking from A to E (or at position D those walking in the opposite direction) have to decide whether to turn right or left (Fig. 1b). The choice is influenced by the intensity of the pheromone trails left by preceding ants. A higher level of pheromone on the right path gives an ant a stronger stimulus and thus a higher probability to turn right. The first ant reaching point B (or D) has the sameprobability to turn right or left (as there was no previous pheromone on the two alternative paths). Because path BCD is shorter than BHD, the first ant following it will reach D before the first ant following path BHD (Fig. 1c). The result is that an ant returning from E to D will find a stronger trail on path DCB, caused by the half of all the ants that by chance decided to approach the obstacle via DCBA and by the already arrived ones coming via BCD: they will therefore prefer (in probability) path DCB to path DHB. As a consequence, the number of ants following path BCD per unit of time will be higher than the number of ants following BHD. This causes the quantity of pheromone on the shorter path to grow faster than on the longer one, and therefore the probability with which any single ant chooses the path to follow is quickly biased towards the shorter one. The final result is that very quickly all ants will choose the shorter path.
The algorithms that we are going to define in the next sections are models derived from the study of real ant colonies. Therefore we call our system Ant System (AS) and the algorithms we introduce ant algorithms. As we are not interested in simulation of ant colonies, but in the use of artificial ant colonies as an optimization tool, our system will have some major differences with a real (natural) one:
• artificial ants will have some memory,
• they will not be completely blind,
• they will live in an environment where time is discrete.
求通顺翻译，不要翻译器

Answer 1

对不起这个真不会 只是对翻译有兴趣 我刚14岁！sorry！ 用的别人的。！！！考虑例如实验设置如图1。有条小路沿着它走蚁(例如从食物来源的一个鸟巢E,反之亦然,见图1)。突然出现一个障碍和道路都被切断了。所以在位置B蚂蚁从A到E走(或在位置维那些走在相反方向)必须做出决定:是否要左右转动(图1 B)。选择受到强烈的信息素步道前留下的蚂蚁。一个更高的层次上正确的路径信息给一只蚂蚁较强的刺激,因此一个更高的概率向右转。第一个蚂蚁到达B点(或D)有sameprobability左右转动(因为没有以前的两种不同的路径信息素)。因为我们要短路径BCD码,第一只蚂蚁以下将达到D在第一后我们蚂蚁路径(图1 c)。结果是,一只蚂蚁返回从E付款将会获得一种更强烈的通道上追踪DCB,由他们一半的蚂蚁偶然决定方法,通过DCBA障碍和通过BCD码来已经到来的:他们会因此喜欢(在概率)通路DHB DCB路径。作为一种结果,数量的蚂蚁路径BCD码后单位时间会高于后的数量。我们蚂蚁这导致数量的信息素在短路径上成长最快的越久,因此,任何一个蚂蚁概率选择路径走到偏向缩短迅速。最后的结果,可以很快地所有的蚂蚁会选择较短的路径。
的演算法,我们将着手定义模型在接下来的部分来源于研究真正的蚂蚁群落。因此我们把我们的系统蚁群算法(如)和我们介绍蚁群算法。当我们不感兴趣在模拟蚂蚁热,但在使用人工蚂蚁热作为优化工具,我们的系统会有一些主要的差异
一个真正的人（自然）：•人工蚂蚁会有一些记忆，•不能完全失明，•他们将生活在一个环境，在时间离散。

Answer 2

例如考虑实验设置如图1所示。有一个沿该路径蚂蚁走（例如从食物源的巢，反之亦然，见图1）。突然出现障碍和路径被切断。所以在位置的蚂蚁走从一个电子（或在这些位置相反的方向走）必须决定是否左右转动（附图）。选择是影响强度的左前蚂蚁信息素步道。更高层次的信息在正确的道路，使蚂蚁刺激更强，更高的概率右转。第一个蚂蚁到达点（或）有sameprobability左右转动（因为没有以前的信息素的替代路径）。因为路是小于第一个蚂蚁，以下将达到之前第一个蚂蚁以下路径系统（图集成电路）。结果是，蚂蚁返回到将找到一个更强的步道路径粑，造成一半的所有蚂蚁偶然决定的做法，通过dcba障碍和由已到了那些通过码：他们会因此更喜欢（概率）路径粑路径道亨银行。因此，一些蚂蚁路径码后每单位时间将高于蚂蚁数以下公司这使得大量信息素的短路径增长速度比在较长的一个，因此，概率与任何单一的蚂蚁选择跟随的道路迅速偏向较短1。最终的结果是，很快所有蚂蚁都会选择较短的路径。该算法，我们将在下一部分是定义模型的研究得出的真实蚁群。因此，我们呼吁我们的系统，蚁群系统（）和算法介绍蚁群算法。因为我们不感兴趣，模拟蚂蚁的殖民地，但在使用人工蚁群的优化工具，我们的系统将有一些重大的分歧，一个真正的人（自然）：•人工蚂蚁会有一些记忆，•不能完全失明，•他们将生活在一个环境，在时间离散。

Answer 3

考虑例如实验设置如图1。有条小路沿着它走蚁(例如从食物来源的一个鸟巢E,反之亦然,见图1)。突然出现一个障碍和道路都被切断了。所以在位置B蚂蚁从A到E走(或在位置维那些走在相反方向)必须做出决定:是否要左右转动(图1 B)。选择受到强烈的信息素步道前留下的蚂蚁。一个更高的层次上正确的路径信息给一只蚂蚁较强的刺激,因此一个更高的概率向右转。第一个蚂蚁到达B点(或D)有sameprobability左右转动(因为没有以前的两种不同的路径信息素)。因为我们要短路径BCD码,第一只蚂蚁以下将达到D在第一后我们蚂蚁路径(图1 c)。结果是,一只蚂蚁返回从E付款将会获得一种更强烈的通道上追踪DCB,由他们一半的蚂蚁偶然决定方法,通过DCBA障碍和通过BCD码来已经到来的:他们会因此喜欢(在概率)通路DHB DCB路径。作为一种结果,数量的蚂蚁路径BCD码后单位时间会高于后的数量。我们蚂蚁这导致数量的信息素在短路径上成长最快的越久,因此,任何一个蚂蚁概率选择路径走到偏向缩短迅速。最后的结果,可以很快地所有的蚂蚁会选择较短的路径。
的演算法,我们将着手定义模型在接下来的部分来源于研究真正的蚂蚁群落。因此我们把我们的系统蚁群算法(如)和我们介绍蚁群算法。当我们不感兴趣在模拟蚂蚁热,但在使用人工蚂蚁热作为优化工具,我们的系统会有一些主要的差异
一个真正的人（自然）：•人工蚂蚁会有一些记忆，•不能完全失明，•他们将生活在一个环境，在时间离散。