蚁群算法求解TSP问题(Python实现)
算法简介
蚁群系统(Ant System或Ant Colony System)是由意大利学者Dorigo、Maniezzo等人于20世纪90年代首先提出来的。他们在研究蚂蚁觅食的过程中,发现单个蚂蚁的行为比较简单,但是蚁群整体却可以体现一些智能的行为。例如蚁群可以在不同的环境下,寻找最短到达食物源的路径。这是因为蚁群内的蚂蚁可以通过某种信息机制实现信息的传递。后又经进一步研究发现,蚂蚁会在其经过的路径上释放一种可以称之为“信息素”的物质,蚁群内的蚂蚁对“信息素”具有感知能力,它们会沿着“信息素”浓度较高路径行走,而每只路过的蚂蚁都会在路上留下“信息素”,这就形成一种类似正反馈的机制,这样经过一段时间后,整个蚁群就会沿着最短路径到达食物源了。
蚁群算法应用于解决优化问题的基本思路为:用蚂蚁的行走路径表示待优化问题的可行解,整个蚂蚁群体的所有路径构成待优化问题的解空间。路径较短的蚂蚁释放的信息素量较多,随着时间的推进,较短的路径上累积的信息素浓度逐渐增高,选择该路径的蚂蚁个数也愈来愈多。最终,整个蚂蚁会在正反馈的作用下集中到最佳的路径上,此时对应的便是待优化问题的最优解。
蚁群觅食过程分析
举个简单的例子
蚂蚁群要从A(巢穴)到B(食物),最开始会派出一部分蚂蚁(代号1)走ACB路径,还有一部分蚂蚁(代号2)会走ADB路径,因为起初蚂蚁也不知道哪条路径短,所以每条路径都会有一部分蚂蚁去试探。在1走完路径到达B时,2还在路途中,此时ACB整条路径都已经有蚂蚁1留下的信息素了,而ADB只有一部分路径有信息素。在蚂蚁1返回到起点A的时候,蚂蚁2仍在途中(甚至可能还没有到达B点)。这样一来蚂蚁1就在路径ACB上留下了两次信息素,信息素浓度肯定比ADB路径上的高。
随后的蚂蚁就会选择信息素的浓度大的路径,由此往复加上信息素的挥发,最终所有蚂蚁都会选择最短的一条路径。其余路径的信息素都会挥发至0。
TSP求解思路
首先将m只蚂蚁随机放置在n个城市,然后对单个蚂蚁进行路径搜索。
t时刻位于城市i的第k只蚂蚁选择下一个城市j的概率为:
Allowed:蚂蚁k下一步允许选择的城市集合
表示t时刻边(i,j)上的信息浓度
是距离定义的启发信息
参数α和β反映了信息素与启发信息的相对重要性,用来调节信息素与距离的重要程度。其中如果令α=0,β!=0该算法则成了贪婪启发式算法。单只蚂蚁仅根据距离来选择下一城市。如果令α!=0,β=0,则单只蚂蚁仅根据信息素来选择下一城市。
距离采用欧氏距离,根据题目所给坐标点,计算两点之间的欧氏距离即可。
信息素更新方法如下:
其中:Q为常数, wk表示第k只蚂蚁在本轮迭代中走过的路径,Lk为路径长度,ρ为小于1的常数,反映信息素挥发速度。ρ越大,信息素的挥发速度就会越慢。
对于任意一只蚂蚁,在按照上述方式走完一条完整的路径后,都会更新信息素,但是对于同一轮迭代中的蚂蚁,他们之间释放的信息素互不影响。在每一轮的迭代中,都应保留当前最优解,在所有迭代完成后即可得到问题最终解。
流程图
运行结果
迭代次数为20:
迭代次数为40:
迭代次数为60:
迭代次数为80:
迭代次数为100:
最终路径长度为427
整个求解过程的当前最优解情况:
改变参数时运行结果
α |
β |
初始蚂蚁数 |
最短路径长度 |
出现当前最优解的大致收敛次数 |
2 |
1 |
100 |
697 |
15 |
4 |
2 |
100 |
537 |
10 |
4 |
1 |
100 |
466 |
10 |
6 |
0 |
100 |
429 |
5 |
6 |
1 |
100 |
427 |
10 |
6 |
2 |
100 |
457 |
20 |
6 |
4 |
50 |
536 |
40 |
5 |
1 |
26 |
447 |
20 |
4 |
1 |
26 |
468 |
30 |
5 |
3 |
50 |
509 |
40 |
实现
import copy
from math import sqrt
import random
import matplotlib.pyplot as plt#无向图
sample = [[1,41,94],[2,37,84],[3,54,67],[4,25,62], [5,7,64],[6,2,99],[7,68,58],[8,71,44],[9,54,62],[10,83,69],[11,64,60],[12,18,54],[13,22,60],[14,83,46],[15,91,38],[16,25,38],[17,24,42],[18,58,69],[19,71,71],[20,74,78],[21,87,76],[22,18,40],[23,13,40],[24,82,7],[25,62,32],[26,58,35],[27,45,21],[28,41,26],[29,44,35],[30,4,50],
]vertex_count = len(sample) #顶点数def draw1(ls1,ls2):plt.plot(ls1,ls2,label=u'alpha=4 beta=4')plt.show()def draw(ls):x = []y = []for i in ls: x.append(sample[i-1][1])y.append(sample[i-1][2])plt.xlim(0, 100) # 限定横轴的范围plt.ylim(0, 100) # 限定纵轴的范围plt.plot(x, y, marker='o', mec='r', mfc='w',label=u'alpha=5 beta=1')plt.legend() # 让图例生效plt.margins(0)plt.subplots_adjust(bottom=0.15)plt.xlabel(u"X") #X轴标签plt.ylabel("Y") #Y轴标签plt.title("PATH") #标题plt.show()def city_dist(sample,city1,city2):if city1 == city2:return 9999loc1 = []loc2 = []findtag = 0dist = 0for i in range(len(sample)):if city1 == sample[i][0]:loc1.append(sample[i][1])loc1.append(sample[i][2])findtag += 1if city2 == sample[i][0]:loc2.append(sample[i][1])loc2.append(sample[i][2])findtag += 1if findtag == 2:breakdist = sqrt(((loc1[0]-loc2[0])**2 + (loc1[1]-loc2[1])**2))return distdef evalute(sample,individual):distance = 0for i in range(len(individual)-1): # vertex_count = len(individual)-1distance += city_dist(sample,individual[i], individual[i+1])return distancedef find_pheromone(pheromone,city1,city2):#信息素表示 [1,2,a] 即城市1与2之间的信息素为afor i in range(len(pheromone)):if city1 in pheromone[i] and city2 in pheromone[i]:return pheromone[i][2]print("return 0")return 0def update_pehromone(pheromone,city1,city2,new_pehromone): #更新信息素for i in range(len(pheromone)):if city1 in pheromone[i] and city2 in pheromone[i]:pheromone[i][2] = 0.9 * pheromone[i][2] + new_pehromonedef get_sum(cur_city,pheromone,allowed_city,alpha,beta):sum = 0for i in range(len(allowed_city)):sum += (find_pheromone(pheromone,cur_city,allowed_city[i])**alpha) * (city_dist(sample,cur_city,allowed_city[i])**beta)return sumdef AntColony_Algorithm(sample):#重要参数ant_count = 26 #蚁群个体数alpha = 5beta = 1loop_count = 100 #迭代次数ant_colony = []ant_individual = []allowed_city = [] #待选城市city = []p = [] #记录选择某一城市概率pheromone = []draw_ls1 = []draw_ls2 = []best_dist = 9999best_route = []for i in range(1,vertex_count+1): #初始化信息素for j in range(i+1,vertex_count+1):pheromone.append([i,j,100]) #信息素初始化不能为0for i in range(1,vertex_count+1): #初始化城市和概率city.append(i)#进行100次迭代for i in range(loop_count):if i%20 == 0 :print(i)draw(best_route)draw_ls1.append(i)#随机产生蚂蚁起始点start_city = []for j in range(ant_count):start_city.append(random.randint(1,len(city)))for j in range(len(start_city)):ant_individual.append(start_city[j])ant_colony.append(copy.deepcopy(ant_individual))ant_individual.clear()#所有蚂蚁完成遍历for singal_ant in range(ant_count):#单个蚂蚁完成路径allowed_city = copy.deepcopy(city)allowed_city.remove(ant_colony[singal_ant][0])for m in range(vertex_count): #确定了起始城市,循环次数-1cur_city = ant_colony[singal_ant][-1]#单个蚂蚁遍历所有城市以确定下一城市for j in range(len(allowed_city)):probability = ((find_pheromone(pheromone,cur_city,allowed_city[j])**alpha) * (city_dist(sample,cur_city,allowed_city[j])**beta))/get_sum(cur_city,pheromone,allowed_city,alpha,beta)p.append(probability) #求累积概率cumulative_probability = [0]for j in range(len(p)):cumulative_probability.append(cumulative_probability[j] + p[j])#自然选择 轮盘赌概率选择下一城市temp_random = random.random() #产生(0,1)随机数for j in range(1,len(cumulative_probability)):if temp_random > cumulative_probability[j-1] and temp_random < cumulative_probability[j]:ant_colony[singal_ant].append(allowed_city[j-1]) #在单个蚂蚁中添加被选择的下一城市del allowed_city[j-1]breakp.clear() ant_colony[singal_ant].append(ant_colony[singal_ant][0]) #计算每只蚂蚁的路径长度并更新所有蚂蚁路径上的信息素for j in range(ant_count):if evalute(sample,ant_colony[j]) < best_dist:best_dist = evalute(sample,ant_colony[j])best_route = copy.deepcopy(ant_colony[j])for k in range(len(ant_colony[j])-1):update_pehromone(pheromone,ant_colony[j][k],ant_colony[j][k+1],10000/city_dist(sample,ant_colony[j][k],ant_colony[j][k+1]))draw_ls2.append(best_dist)ant_colony.clear()print("outcome")print(pheromone)print(best_route)print(best_dist)draw(best_route)draw1(draw_ls1,draw_ls2)AntColony_Algorithm(sample)
蚁群算法求解TSP问题(Python实现)相关推荐
- 【建模算法】基于蚁群算法求解TSP问题(Python实现)
[建模算法]基于蚁群算法(ACA)求解TSP问题(Python实现) TSP (traveling salesman problem,旅行商问题)是典型的NP完全问题,即其最坏情况下的时间复杂度随着问 ...
- 蚁群算法求解TSP问题的源代码
蚁群算法求解TSP问题的源代码 分类: 智能算法2014-05-07 17:25 524人阅读 评论(1) 收藏 举报 蚁群算法 TSP win32程序设计 旅行商问题大都是用遗传算法求解,不过蚁群算 ...
- 蚁群算法求解TSP问题
蚁群算法求解TSP问题 蚁群算法求解TSP问题 蚁群算法求解TSP问题 旅行商问题,即TSP问题(Traveling Salesman Problem)又译为旅行推销员问题.货郎担问题,是数学领域中著 ...
- 【运筹优化】ACO蚁群算法求解TSP问题(Java实现)
文章目录 代码 Ant蚂蚁类 AntColonyOptimization_TSP蚁群算法类 运行结果 代码 Ant蚂蚁类 import lombok.Data;import java.util.Arr ...
- 用蚁群算法求解TSP问题
TSP是什么?TSP全称Travelling salesman problem.中文名:旅行商问题.就是模拟退火中讲到的14个城市之间巡回旅行,求路径最短的问题. 为什么偏偏找他呢?因为这是一个衡量算 ...
- 蚁群算法求解TSP(Python)
目录 基本介绍 TSP问题 算法基本思想 路径选择 信息素更新 Python代码 初始化 遍历所有城市 信息素更新 绘制"迭代次数"与"路径和"图像 效果展示 ...
- 数学建模常用算法:蚁群算法求解tsp问题+att48算例测试【java实现--详细注释】
代码 蚂蚁类 package com.dam.heuristic.aco.test;import java.util.*;public class Ant {//蚂蚁所走的城市序列private Li ...
- 蚁群算法求解TSP问题 matlab程序
https://blog.csdn.net/wayjj/article/details/72809344 蚁群算法,单单学习算法还是不够深入了解,得实际编程实现了,理解才能更加透彻,本文根据这篇博文贴 ...
- 利用HTML5 Canvas和Javascript实现的蚁群算法求解TSP问题演示
HTML5提供了Canvas对象,为画图应用提供了便利. Javascript可执行于浏览器中, 而不须要安装特定的编译器: 基于HTML5和Javascript语言, 可随时编写应用, 为算法測试带 ...
最新文章
- 会计有必要学python吗-工作三年却被实习生抢了饭碗,学会Python到底有多吃香?...
- PHP高德地图描点,引用高德地图描点画行动轨迹
- LeetCode—213. 打家劫舍 II
- 同学, 你的板砖呢?
- html设置粗体字,如何在HTML输出中设置粗体字段
- 求 LCA 的三种方法
- windbg sx命令与简单应用
- 删除windows server backup备份
- 国内物联网平台初探(二) ——阿里云物联网套件
- win10忘记密码_win10带有密码压缩包的破解方法
- cfa三级真题和mock_cfa三级要看哪些书?
- 软件测试怎么测微信朋友圈,面试题:如何测试微信朋友圈(附图)
- 仿淘宝,京东红包雨(基于Phaser框架)
- pytorch模型加密
- 赛百味的中英文菜单对照
- 海南大学信号与系统838报考高频问题整理(4)
- 中国传统美食网页HTML代码 学生网页课程设计期末作业下载 美食大学生网页设计制作成品下载 DW餐饮美食网页作业代码下载
- (windows)Hexo博客建站$ npm install -g hexo-cli时遇到npm ERR! Response timeout……的解决方案
- 来这里,找业务场景!巴比特今日上线产业区块链对接平台
- uniapp小程序使用iconfont彩色图标