基本蚁群算法的C++源程序

//程序在vc++6.0下面同过，对原来的做了一点修改。
//你可以使用本代码，如果感到对你有用的话，请通知作者，作者会很高兴。
//通讯地址：fashionxu@163.com
//by FashionXu
#include "stdafx.h"
using namespace std;

const int iAntCount=34;//蚂蚁数量
const int iCityCount=51;//城市数量
const int iItCount=2000;//最大跌代次数
const double Q=100;
const double alpha=1;
const double beta=5;
const double rou=0.5;

int besttour[iCityCount];//最有路径列表

double rnd(int low,double uper)//获得随机数
{

double p=(rand()/(double)RAND_MAX)*((uper)-(low))+(low);

return (p);

};

int rnd(int uper)
{
return (rand()%uper);
};

class GInfo//tsp地图信息，包含了信息素，城市距离，和信息素变化矩阵
{

public:
double m_dDeltTrial[iCityCount][iCityCount];
double m_dTrial[iCityCount][iCityCount];
double distance[iCityCount][iCityCount];

};

GInfo Map;

class ant
{

private:

int ChooseNextCity();//选择城市
double prob[iCityCount];
int m_iCityCount;
int AllowedCity[iCityCount];//没有走过的城市

public:

void addcity(int city);
int tabu[iCityCount];
void Clear();
void UpdateResult();
double m_dLength;
double m_dShortest;
void move();
ant();
void move2last();

};
void ant::move2last()
{

int i;
for(i=0;i《iCityCount;i++)

if (AllowedCity[i]==1)
{
     addcity(i);
      break;
  }

}

void ant::Clear()
{
    m_dLength=0;
     int i;
    for(i=0; i〈iCityCount;i++)

{

prob[i]=0;
       AllowedCity[i]=1;
        i=tabu[iCityCount-1];
        m_iCityCount=0;
        addcity(i);

}

}
ant::ant()
{
     m_dLength=m_dShortest=0;
     m_iCityCount=0;
     int i;
     for(i=0;i〈iCityCount;i++)

AllowedCity[i]=1;
prob[i]=0;
}
}
void ant::addcity(int city)
{
//add city to tabu;
tabu[m_iCityCount]=city;
m_iCityCount++;
AllowedCity[city]=0;
}
int ant::ChooseNextCity()
{
//Update the probability of path selection
//select a path from tabu[m_iCityCount-1] to next

int i;
int j=10000;
double temp=0;
int curCity=tabu[m_iCityCount-1];
for (i=0;i〈iCityCount;i++)

if((AllowedCity[i]==1))
  {
   temp+=pow((1.0/Map.distance[curCity][i]),beta)*pow((Map.m_dTrial[curCity][i]),alpha);
  }
}
double sel=0;
for (i=0;i〈iCityCount;i++)

if((AllowedCity[i]==1))
  {
   prob[i]=pow((1.0/Map.distance[curCity][i]),beta)*pow((Map.m_dTrial[curCity][i]),alpha)/temp;
   sel+=prob[i];
  }
  else
   prob[i]=0;
}
double mRate=rnd(0,sel);
double mSelect=0;

for ( i=0;i〈iCityCount;i++)

if((AllowedCity[i]==1))
mSelect+=prob[i] ;
if (mSelect>=mRate) {j=i;break;}
}

if (j==10000)
{
temp=-1;
for (i=0;i〈iCityCount;i++)

if((AllowedCity[i]==1))
    if (temp    {
     temp=pow((1.0/Map.distance[curCity][i]),beta)*pow((Map.m_dTrial[curCity][i]),alpha);
     j=i;
    }
  }
}

return j;

}
void ant::UpdateResult()
{
// Update the length of tour
int i;
for(i=0;i〈iCityCount-1;i++)

m_dLength+=Map.distance[tabu[i]][tabu[i+1]];
m_dLength+=Map.distance[tabu[iCityCount-1]][tabu[0]];
}
void ant::move()
{
//the ant move to next town and add town ID to tabu.
int j;
j=ChooseNextCity();
addcity(j);
}
class project
{
public:

void UpdateTrial();
double m_dLength;
void initmap();
ant ants[iAntCount];
void GetAnt();
void StartSearch();
project();
};
void project::UpdateTrial()
{
//calculate the changes of trial information
int i;
int j;

for(i=0;i〈iAntCount;i++)
for (j=0;j〈iCityCount-1;j++)

{   Map.m_dDeltTrial[ants[i].tabu[j]][ants[i].tabu[j+1]]+=Q/ants[i].m_dLength ;
   Map.m_dDeltTrial[ants[i].tabu[j+1]][ants[i].tabu[j]]+=Q/ants[i].m_dLength;
  }
  Map.m_dDeltTrial[ants[i].tabu[iCityCount-1]][ants[i].tabu[0]]+=Q/ants[i].m_dLength;
  Map.m_dDeltTrial[ants[i].tabu[0]][ants[i].tabu[iCityCount-1]]+=Q/ants[i].m_dLength;
}
for (i=0;i〈iCityCount;i++)

for (j=0;j〈iCityCount;j++)

{
   Map.m_dTrial[i][j]=(rou*Map.m_dTrial[i][j]+Map.m_dDeltTrial[i][j] );
   Map.m_dDeltTrial[i][j]=0;
  }

}

}
void project::initmap()
{
int i;
int j;
for(i=0;i〈iCityCount;i++)
for (j=0;j〈iCityCount;j++)
{

Map.m_dTrial[i][j]=1;
Map.m_dDeltTrial[i][j]=0;
}
}
project::project()
{
//initial map,read map infomation from file . et.
initmap();
m_dLength=10e9;

ifstream in("eil51.tsp");

struct city
{
  int num;
  int x;
  int y;
}cc[iCityCount];

for (int i=0;i〈iCityCount;i++)
{
  in>>cc[i].num>>cc[i].x>>cc[i].y;
  besttour[i]=0;
}
int j;
for(i=0;i〈iCityCount;i++)
  for (j=0;j〈iCityCount;j++)
  {

{
    Map.distance[i][j]=sqrt(pow((cc[i].x-cc[j].x),2)+pow((cc[i].y-cc[j].y),2));
   }
  }

}
void project::GetAnt()
{
//randomly put ant into map
int i=0;
int city;
srand( (unsigned)time( NULL ) +rand());
for (i=0;i〈iAntCount;i++)

{
city=rnd(iCityCount);
ants[i].addcity(city);
}

}
void project::StartSearch()
{
//begin to find best solution
int max=0;//every ant tours times
int i;
int j;
double temp;
int temptour[iCityCount];
while ((max〈iItCount)

{
for(j=0;j〈iAntCount;j++)

{
for (i=0;i〈iCityCount-1;i++)

ants[j].move();
}

for(j=0;j〈iAntCount;j++)
  {   ants[j].move2last();
   ants[j].UpdateResult ();
  }

//find out the best solution of the step and put it into temp
  int t;
  temp=ants[0].m_dLength;
  for (t=0;t〈iCityCount;t++)
   temptour[t]=ants[0].tabu[t];
  for(j=0;j〈iAntCount;j++)
  {
   if (temp〉ants[j].m_dLength) {
    temp=ants[j].m_dLength;
    for ( t=0;t〈iCityCount;t++)
     temptour[t]=ants[j].tabu[t];
   }
  }

if(temp〈m_dLength){
   m_dLength=temp;
   for ( t=0;t〈iCityCount;t++)
    besttour[t]=temptour[t];
  }
  printf("%d : %f\n",max,m_dLength);
  UpdateTrial();

for(j=0;j〈iAntCount;j++)
ants[j].Clear();

max++;

}
printf("The shortest toure is : %f\n",m_dLength);

for ( int t=0;t〈iCityCount;t++)
printf(" %d ",besttour[t]);

}
int main()
{

project TSP;
TSP.GetAnt();
TSP.StartSearch();
return 0;
}

求eil51最优到了438，可以修改循环次数和其他参数。以得到更好的解。使用TSP数据的时候，将前面的一些字符串信息删除，只留下坐标数据

基本蚁群算法的C++源程序相关推荐

蚁群算法优化神经网络matlab源程序,粒子群优化神经网络的程序大集合
粒子群程序集合 866867259psobp psobp.m pso(粒子群算法)优化神经网络粒子群算法(PSO)应用于神经网络优化[matlab] PSOt A Particle Swarm Op ...
蚁群算法小结及算法实例（附Matlab代码）
目录 1.基本蚁群算法 2.基本蚁群算法的流程 3.关键参数说明 3.1 信息素启发式因子 α 3.2 期望启发因子 β 3.3 信息素蒸发系数 ρ 3.4 蚂蚁数目 m 3.5 信息素强度 Q 对算 ...
2018/-4-11遗传，差分进化，免疫，蚁群算法中的公式
<智能优化算法以及matlab实现>包子阳中的智能算法公式 1.遗传算法中的轮盘赌公式 2.差分进化中的公式 (1)初始化 (2)变异 (3)交叉自适应差分进化算法中的自适应变异算子: ...
2018-4-8蚁群算法---包子阳《智能优化算法以及Matlab实现》第五章
资料来源: <智能优化算法以及matlab实现>包子阳余继周编著第五章-----蚁群算法是一种元启发式优化算法(自己理解:就是作为群体的单位个体也就是元,在里面充当着随机的选择搜 ...
智能优化算法之蚁群算法（1）
蚁群算法(ant colony algorithm) : 一种模拟进化算法蚂蚁在觅食过程中能够在其经过的路径留下一种称为信息素的物质,并在觅食的过程中能感知这种物质的强度,并指导自己的行动方向,他们 ...
matlab蚁群算法路径规划,基于蚁群算法的机器人路径规划MATLAB源码
基于蚁群算法的机器人路径规划MA TLAB源码使用网格离散化的方法对带有障碍物的环境建模,使用邻接矩阵存储该环境,使得问题转化为蚁群算法寻找最短路径. function [ROUTES,PL,Tau ...
机器学习（MACHINE LEARNING）MATLAB蚁群算法解决TSP问题
文章目录 1 蚁群算法 2 蚁群算法与TSP问题的关系 3 代码实现 1 蚁群算法基本原理: (1)蚂蚁在携带等量的信息素一路释放 (2)信息素浓度会和路径的长度成反比 (3)下次蚂蚁来到该路口会选 ...
vrp车辆路径问题 php,蚁群算法在车辆路径问题（VRP）中的应用.ppt
蚁群算法在车辆路径问题(VRP)中的应用 ◆割平面法(Cutting Planes Approach)[6] 割平面法求解VRP问题(A)的基本思想是,在求解相应的不含整数约束的VRP问题(B)上,增 ...
matlab蚁群算法降维,基于蚁群算法的路由问题研究
在组播路由中,用matlab画图,组播总费用提前收敛,到达各个节点的费用后收敛,甚至有些节点费用一直没有收敛.不应该是每一个节点收敛后,组播树总费用才收敛吗? 是不是我的代码有问题以下是我的代码: ...

基本蚁群算法的C++源程序

基本蚁群算法的C++源程序相关推荐

最新文章

热门文章