蚁群算法(ant system,AS)

蚁群算法
蚂蚁系统(ant system,AS)由Dorigo于1996年发表，文章题目为[《The Ant System : optimization by a colony of cooperating agents》](https://www.docin.com/p-1565494487.html)。在耳熟能详的TSP旅行商问题上AS算法有着不错的效果，这也是被大多数人认可的一种随机演化算法。

蚁群算法的思想来源于蚂蚁觅食的过程:

单个蚂蚁的行为比较简单
但蚁群在不同的环境下，能寻找到达食物源的最短路径
蚂蚁在其经过的路径上释放“信息素”
蚁群内的蚂蚁会沿着“信息素”浓度较高的路径行走，形成正反馈
人工蚂蚁可以超越真实蚂蚁，如具有有限记忆存储能力

一般而言机器智慧都是产生于多个个体之间的“交流”，如当下比较火的深度学习，层与层之间链接方式是尤为关键的，后续的传播方向就是由这些链接来决定的，又比如传统的群体智能优化算法PSO，一个种群之中个体和最优个体之间有一种交流，就是个体向最优个体学习，而蚁群算法中的个体交流像是人类阅读图书跟前人交流，蚂蚁通过“阅读”前人留下的“信息素”来更好的判断下一步要怎么走，人类社会中也有老话：不听老人言吃亏在眼前，所以蚂蚁跟着“信息素”走能够极大地保证单只蚂蚁的行为是普遍正确的。
如果蚁群中只有一只蚂蚁，这显然是不行的，单只蚂蚁的智慧能力比较局限，它只能和上一个自己进行“交流”并且效率十分低，所以一般认为单只蚂蚁是很难产生智慧的。一个蚁群就像是一个人类社会，无论在长江黄河流域还是在黄土高原地区，当地的人们总能找到一种适合自己生存的方式，而蚂蚁觅食也是如此，在一定时间的演化下，蚂蚁的“信息素”就如同人类社会的书籍一般宝贵。另外，人工蚂蚁相较于真实的蚂蚁具有很多优势，例如，只要计算机的内存足够大，那么蚂蚁的记忆是无限的，对于真实的生物来说，这显然是不能达到的，毕竟总要遗忘。
蚁群算法的过程：

初始化：城市数n、距离矩阵d、蚂蚁数量、沉积常数、挥发率、每条边的初始信息素。
while 条件不满足
构建每个蚂蚁的路径(随机比例+轮盘赌)
计算每个蚂蚁的路劲总长度
更新每条边的信息素(全局信息素更新：沉积+挥发)
end
构建蚂蚁路径：
第k只蚂蚁，已访问城市集合 C k C_{k} Ck
对每一个未访问的城市j，计算随机比例： p i j ( k ) = τ i j α / d i j β ∑ m ∉ C k τ i m α / d i m β p^{(k)}_{ij}=\frac{τ^{α}_{ij}/d^{β}_{ij}}{\sum_{m\notin{C_{k}}}τ^{α}_{im}/d^{β}_{im}} pij(k)=∑m∈/Ckτimα/dimβτijα/dijβ
让蚂蚁k以上述随机比例(轮盘赌)到达城市j
信息素更新
所有蚂蚁的路径构建完毕后，进行信息素的更新
τ i j = ( 1 − ρ ) τ i j + ∑ k = 1 N Δ τ i j ( k ) τ_{ij}=(1-ρ)τ_{ij}+\sum^{N}_{k=1}{\Delta \tau^{(k)}_{ij}} τij=(1−ρ)τij+k=1∑NΔτij(k)
Δ τ i j ( k ) = { Q / L k , 边 ( i , j ) 在蚂蚁 k 的路径上 0 , 其他 \Delta τ^{(k)}_{ij} =\left\{\begin{aligned} Q/L_{k} ,& 边(i,j)在蚂蚁k的路径上\\ 0,其他\end{aligned}\right. Δτij(k)={Q/Lk,0,其他边(i,j)在蚂蚁k的路径上
典型的TSP问题:
一个典型的TSP问题就是中国31个省会都走一次的最短路径。本文就以这个问题为例实现AS算法。
城市信息：

from matplotlib import pyplot as plt
import numpy as np
import randomlocations={'拉萨':(1304,2312),'北京':(3639,1315),'上海':(4177,2244),'天津':(3712,1399),'石家庄':(3488,1535),'太原':(3326,1556),'呼和浩特':(3238,1229),'沈阳':(4196,1004),'长春':(4312,790),'哈尔滨':(4386,570),'西安':(3007,1970),'兰州':(2562,1756),'银川':(2788,1491),'西宁':(2381,1676),'乌鲁木齐':(1332,695),'济南':(3715,1678),'南京':(3918,2179),'杭州':(4061,2370),'合肥':(3780,2212),'南昌':(3676,2578),'福州':(4029,2838),'台北':(4263,2931),'郑州':(3429,1908),'武汉':(3507,2367),'长沙':(3394,2643),'广州':(3439,3201),'南宁':(2935,3240),'海口':(3140,3550),'成都':(2545,2357),'贵阳':(2778,2826),'昆明':(2370,2975)
}

初始化:

n=len(locations)  #城市数量
dis=np.zeros((n,n)) # 距离矩阵
τ=np.ones((n,n))*1e-6 # 初始信息素
position=list(locations.values())# 计算城市之间距离
for i in range(n):for j in range(i+1,n):dis[i,j]=np.linalg.norm(np.array(position[i])-np.array(position[j]))dis[j,i]=dis[i,j]# parameter`在这里插入代码片`
N=n # 蚂蚁数量
Q=20 # 沉积常数
ρ=0.618 #挥发率
α=1
β=6
city=set(range(n)) #城市标记0-30
# C=[[set([i]),[i],set(),0] for i in range(N)] # 已访问城市集合 Ck为第k个蚂蚁访问的轨迹def generate_ants():C=[]for _ in range(N):point=random.choice(range(n))C.append([set([point]),[point],set(),0])return C
C=generate_ants() #生成蚁群,其中每个蚂蚁用[走过的城市,按顺序走过的城市,路径,距离]来表示

构建蚁群路径:

def build_path():for ant in range(N):no_visit=city-C[ant][0]p=np.zeros((n))while no_visit:denominator=sum(map(lambda x:τ[C[ant][1][-1],x]**α/dis[C[ant][1][-1],x]**β,no_visit))for j in no_visit:p[j]=(τ[C[ant][1][-1],j]**α/dis[C[ant][1][-1],j]**β)/denominatorfor j in range(1,n):p[j]=p[j]+p[j-1]q=random.random()for j in range(n):if q<p[j]:breakC[ant][0].add(j)C[ant][2].add((C[ant][1][-1],j))C[ant][3]+=dis[C[ant][1][-1],j]C[ant][1].append(j)no_visit=city-C[ant][0]p=np.zeros((n))C[ant][3]+=dis[C[ant][1][-1],C[ant][1][0]]C[ant][2].add((C[ant][1][-1],C[ant][1][0]))

更新信息素:

def update_pheromone():for i in range(n):for j in range(i+1,n):τ[i][j]=(1-ρ)*τ[i][j]+sum(map(lambda x:Q/x[3] if (i,j) in x[2] or (j,i) in x[2] else 0,C))τ[j][i]=τ[i][j]

测试：

build_path()
update_pheromone()
best=min(C,key=lambda x:x[-1]) #获取当前蚁群的最优蚂蚁
C=generate_ants()
# C=[[set([i]),[i],set(),0] for i in range(N)]
dis_record=[best[-1]]  #最优距离记录
epoch=1000  #迭代1000次
for e in range(epoch):build_path()update_pheromone()temp=min(C,key=lambda x:x[-1]) if temp[-1]<best[-1]:best=tempdis_record.append(best[-1]) # C=[[set([i]),[i],set(),0] for i in range(N)]C=generate_ants()
# 绘图
plt.scatter([i[0] for i in position],[i[1] for i in position])
for k,v in locations.items():plt.text(v[0],v[1],k,fontproperties="simhei")
for i in best[2]:plt.plot([position[i[0]][0],position[i[1]][0]],[position[i[0]][1],position[i[1]][1]],color='g')
plt.title('min_dis={}'.format(best[-1]))
plt.show()

结果：

总结：
目前这个问题通过CTSP求得的最优解是15378km，我调了一些参数，始终未能达到其最优的结果，以后有时间再做调整！

蚁群算法(ant system,AS)相关推荐

蚁群算法(Ant Colony Algorithm, ACA)简介及其MATLAB实现
目录算法概述 ACA算法的数学原理算法步骤 ACA算法特点补充:启发式算法旅行商问题(TSP) ACA的MATLAB实现算法概述模拟蚂蚁觅食行为设计的算法.讲蚂蚁群觅食的特点抽象出来转化成 ...
路径算法：蚁群算法(ant colony optimization, ACO)
一, 蚁群算法概述自然界中有一个神奇的现象,即蚂蚁在没有提示的情况下总是能够找到从巢穴到食物的最短路径,这是为什么呢?原因就是蚂蚁在寻找食物时,能在其走过的路径上释放一种特殊的分泌物--信息素,随着 ...
蚁群算法Ant Colony Optimization-ACO
蚁群算法是一种用来寻找优化路径的概率型算法.它由Marco Dorigo于1992年在他的博士论文中提出,其灵感来源于蚂蚁在寻找食物过程中发现路径的行为.这种算法具有分布计算.信息正反馈和启发式搜索的 ...
java 蚁群算法_Java蚁群算法(Ant Colony)求解旅行商问题(TSP)（二）
算法准备旅行商问题(TSP)是一个经典的图论问题.在给定一系列城市和他们之间的距离以后,一个旅行商人希望能够找到一条能够走遍所有城市,并返回起点城市的最短路径.既然路径能串起来所有的城市,那么问题中 ...
【控制】蚁群算法（ACO，Ant Colony Optimization）及 Matlab 实现
文章目录简介实现思路规则特点应用仿真 Ref. 简介蚁群算法是一种用来寻找优化路径的概率型算法.它由Marco Dorigo于1992年在他的博士论文中提出,其灵感来源于蚂蚁在寻找食物过 ...
tsp java_蚁群算法java实现以及TSP问题蚁群算法求解
1. 蚁群算法简介蚁群算法(Ant Clony Optimization, ACO)是一种群智能算法,它是由一群无智能或有轻微智能的个体(Agent)通过相互协作而表现出智能行为,从而为求解复杂问题 ...
基于matlab GUI Powell+蚁群算法图像配准
基于matlab GUI Powell+蚁群算法图像配准一.简介 1 蚁群算法(ant colony algorithm,ACA)起源和发展历程 Marco Dorigo等人在研究新型算法的过程中, ...
蚁群算法解决车间调度问题
关于蚁群算法: 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 ...
【路径规划】基于蚁群算法求解公交车路径规划问题matlab源码
一.简介 1 蚁群算法(ant colony algorithm,ACA)起源和发展历程\ Marco Dorigo等人在研究新型算法的过程中,发现蚁群在寻找食物时,通过分泌一种称为信息素的生物激素交 ...

蚁群算法(ant system,AS)

蚁群算法(ant system,AS)相关推荐

最新文章

热门文章