二进制蚁群算法【源码实现】

蚁群算法
之前讲解了蚁群算法，见链接。万字长文带你了解蚁群算法及求解复杂约束问题【源码实现】
今天讲解下二进制的蚁群算法。
直接上算例。

算例

爱小玉，爱学习。

假设一个数PD=210，它可以看成下列中的数，某几个组合而成来的P_state=np.array([1700,2600,180,2200,1400,60,85,290,4100,3000,1590,200,1300,50,100,30,90])，即PD=sum（xiP_statei）其中的xi表示状态，只能取0或1。
限制条件：【180,2200】,序号[2,3]不能共存；【60,85,300】,序号[5,6,7]不能共存；【50,100】序号[13,14]不能共存；【25,90】序号[15,16]不能共存。

这题的意思假设某刻时刻。家用总负荷为210W
家用总负荷是由各个电器的功率叠加的。其中【180,2200】,序号[2,3]不能共存，表示【180,2200】对应的是同一个电器，这个电器的功率可以是180或者2200.当一个时刻只能是一个值。其它同理。
算例实现
python 版代码。

#!/usr/bin/env python3
# -*- coding: utf-8 -*-
# @Author: yudengwu(余登武）
# @Date  : 2021/5/28
#@email:1344732766@qq.comimport numpy as np
from tqdm import tqdm#进度条设置
import matplotlib.pyplot as plt
import matplotlib as mpl
import matplotlib; matplotlib.use('TkAgg')
mpl.rcParams['font.sans-serif'] = ['SimHei']  # 指定默认字体
mpl.rcParams['axes.unicode_minus'] = False  # 解决保存图像是负号'-'显示为方块的问题
import math#以一个负荷为例讲解优化算法P_state=np.array([1700,2600,180,2200,1400,60,85,290,4100,3000,1590,200,1300,50,100,30,90])#17个状态state_num=17 #状态数
#【180,2200】,序号[2,3]不能共存
#【60,85,300】,序号[5,6,7]不能共存
#【50,100】 序号[13,14]不能共存
#【25,90】序号[15,16]不能共存#总负荷
Pload=446.0 #这个值可以设置的########适应度函数
def calc_f(xi):""":param xi 为个体  即电器的工作状态，01二二进制，0表示当前状态关，1表示开:xi 为np.array(数据）:return  返回 np.abs(XiP_state-pload) P_state为电器"额定功率":"""xi=np.array(xi)xi=xi.reshape(state_num,)return np.abs(np.sum(xi*P_state)-Pload)#=================初始化参数================
m=20                   #蚂蚁个数
G_max=300              #最大迭代次数
Rho=0.9                #信息素蒸发系数
P0=0.2                 #转移概率常数
Tau=np.zeros(shape=(m,)) #信息素
P=np.zeros(shape=(G_max,m)) #状态转移矩阵
fitneess_value_list=[] #迭代记录最优目标函数值#########初始化群体
f=np.random.randint(0,2,(m,state_num)) #在[0,2）之前随机取整数，取state_num(17)个 f.shape=(20, 17)
for j in tqdm(range(m)):while f[j, 2] + f[j, 3] == 2:f[j, 2] = np.random.randint(0, 2, 1)f[j, 3] = np.random.randint(0, 2, 1)# 【60,85,300】,序号[5,6,7]不能共存while f[j, 5] + f[j, 6] + f[j, 7] == 2 or f[j, 5] + f[j, 6] + f[j, 7] == 3:f[j, 5] = np.random.randint(0, 2, 1)f[j, 6] = np.random.randint(0, 2, 1)f[j, 7] = np.random.randint(0, 2, 1)# 【50,100】 序号[13,14]不能共存while f[j, 13] + f[j, 14] == 2:f[j, 13] = np.random.randint(0, 2, 1)f[j, 14] = np.random.randint(0, 2, 1)# 【25,90】序号[15,16]不能共存while f[j, 15] + f[j, 16] == 2:f[j, 15] = np.random.randint(0, 2, 1)f[j, 16] = np.random.randint(0, 2, 1)for i in range(m):#遍历每一个蚂蚁Tau[i] = calc_f(f[i])#信息素step=0.3;                #局部搜索步长
for NC in range(G_max):#遍历每一代lamda=1/(NC+1)BestIndex=np.argmin(Tau) #最优索引Tau_best=Tau[BestIndex] #最优信息素#计算状态转移概率for i in range(m):#遍历每一个蚂蚁P[NC,i]=np.abs((Tau_best-Tau[i]))/np.abs(Tau_best)+0.01 #即例最优信息素的距离.越近越好# =======位置更新==========for i in range(m):  # 遍历每一个蚂蚁#当前蚂蚁bf=f[i].copy()# ===局部搜索===if P[NC, i] < P0:#每只蚂蚁 的元素随机选择 np.int(state_num*(step*lamda))个 取反sizeaca=np.int(state_num*(step*lamda))#取反的个数index=np.random.choice(np.arange(0,state_num,1),size=sizeaca,replace=False)#取反的序号bf[index]=1-bf[index] #元素取反# ===全局搜索===else:#选择4分之一元素取反index = np.random.choice(np.arange(0, state_num, 1), size=np.int(state_num/4), replace=False)  # 取反的序号bf[index] = 1 - bf[index]  # 元素取反# =====位置限制=====# 【180,2200】,序号[2,3]不能共存while bf[2] + bf[3] == 2:bf[2] = np.random.randint(0, 2, 1)bf[3]= np.random.randint(0, 2, 1)# 【60,85,300】,序号[5,6,7]不能共存while bf[5] + bf[6] + bf[7] == 2 or bf[5] + bf[6] + bf[7] == 3:bf[5] = np.random.randint(0, 2, 1)bf[6] = np.random.randint(0, 2, 1)bf[7] = np.random.randint(0, 2, 1)# 【50,100】 序号[13,14]不能共存while bf[13] + bf[14] == 2:bf[13] = np.random.randint(0, 2, 1)bf[14] = np.random.randint(0, 2, 1)# 【25,90】序号[15,16]不能共存while bf[15] + bf[16] == 2:bf[15] = np.random.randint(0, 2, 1)bf[16] = np.random.randint(0, 2, 1)##判断蚂蚁是否移动(选更优）if calc_f(bf) < calc_f(f[i]):f[i]=bf# =====更新信息素========for i in range(m):  # 遍历每一个蚂蚁Tau[i] = (1 - Rho) * Tau[i] + calc_f(f[i])  # (1 - Rho) * Tau[i] 信息蒸发后保留的index = np.argmin(Tau)  # 最小值索引value = Tau[index]  # 最小值fitneess_value_list.append(calc_f(f[i]))  # 记录最优目标函数值#打印结果
min_index=np.argmin(Tau)#最优值索引
minf=f[min_index]  #最优变量 \最优蚂蚁minValue=calc_f(minf)  #最优目标函数值print('最优变量',minf)
print('最优变量对应的功率',minf*P_state)
print('最优误差',minValue)plt.plot(fitneess_value_list,label='迭代曲线')
plt.legend()
plt.show()

作者：电气-余登武。一个电气专业的计算机选手
原创不易，禁止转载。

二进制蚁群算法【源码实现】相关推荐

基于蚁群算法解决多模式资源约束项目调度问题（附源代码）
基于蚁群算法解决多模式资源约束项目调度问题最近选修了张超勇教授的项目管理学,最后这门课留下了一门大作业,这里我选做是资源约束下的项目调度问题,通过使用元启发式的蚁群算法求解了这个问题,由于时间比较仓 ...
【Matlab路径规划】蚁群算法机器人大规模栅格地图最短路径规划【含源码 1860期】
一.代码运行视频(哔哩哔哩) [Matlab路径规划]蚁群算法机器人大规模栅格地图最短路径规划[含源码 1860期] 二.蚁群算法及栅格地图简介随着机器人技术在诸多领域的应用, 如机器人协作焊接.灾 ...
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 ...
【Matlab DVRP】蚁群算法求解带距离的车辆路径规划问题【含源码 1040期】
一.代码运行视频(哔哩哔哩) [Matlab DVRP]蚁群算法求解带距离的车辆路径规划问题[含源码 1040期] 二.matlab版本及参考文献 1 matlab版本 2014a 2 参考文献 [1 ...
【ACO TSP】基于matlab蚁群算法求解31城市旅行商问题【含Matlab源码 1147期】
一.获取代码方式获取代码方式1: 完整代码已上传我的资源:[TSP]基于matlab蚁群算法求解31城市旅行商问题[含Matlab源码 1147期] 点击上面蓝色字体,直接付费下载,即可. 获取代码 ...
【飞行器】基于matlab蚁群算法飞行器巡检路径【含Matlab源码 268期】
一.获取代码方式获取代码方式1: 完整代码已上传我的资源:[飞行器]基于matlab蚁群算法飞行器巡检路径[含Matlab源码 268期] 点击上面蓝色字体,直接付费下载,即可. 获取代码方式2: ...
【Matlab优化选址】蚁群算法求解电动汽车充电站与换电站选址优化问题【含源码 1182期】
一.代码运行视频(哔哩哔哩) [Matlab优化选址]蚁群算法求解电动汽车充电站与换电站选址优化问题[含源码 1182期] 二.matlab版本及参考文献 1 matlab版本 2014a 2 参考文 ...
java毕业设计——基于java+MMAS的蚁群算法路由选择可视化动态模拟设计与实现（毕业论文+程序源码）——蚁群算法路由选择可视化动态模拟
基于java+MMAS的蚁群算法路由选择可视化动态模拟设计与实现(毕业论文+程序源码) 大家好,今天给大家介绍基于java+MMAS的蚁群算法路由选择可视化动态模拟设计与实现,文章末尾附有本毕业设计的 ...
【Matlab路径规划】蚁群算法求解机器人栅格地图最短路径规划问题【含源码 1580期】
一.代码运行视频(哔哩哔哩) [Matlab路径规划]蚁群算法求解机器人栅格地图最短路径规划问题[含源码 1580期] 二.matlab版本及参考文献 1 matlab版本 2014a 2 参考文献 ...

二进制蚁群算法【源码实现】

算例

二进制蚁群算法【源码实现】相关推荐

最新文章

热门文章