python蚁群算法 路径规划_蚁群算法(1) - Python实现
1 importnumpy as np2 importmatplotlib.pyplot as plt3
4
5 #建立“蚂蚁”类
6 classAnt(object):7 def __init__(self, path):8 self.path = path #蚂蚁当前迭代整体路径
9 self.length = self.calc_length(path) #蚂蚁当前迭代整体路径长度
10
11 def calc_length(self, path_): #path=[A, B, C, D, A]注意路径闭环
12 length_ =013 for i in range(len(path_)-1):14 delta = (path_[i].x - path_[i+1].x, path_[i].y - path_[i+1].y)15 length_ +=np.linalg.norm(delta)16 returnlength_17
18 @staticmethod19 def calc_len(A, B): #静态方法,计算城市A与城市B之间的距离
20 return np.linalg.norm((A.x - B.x, A.y -B.y))21
22
23 #建立“城市”类
24 classCity(object):25 def __init__(self, x, y):26 self.x =x27 self.y =y28
29
30 #建立“路径”类
31 classPath(object):32 def __init__(self, A): #A为起始城市
33 self.path =[A, A]34
35 def add_path(self, B): #追加路径信息,方便计算整体路径长度
36 self.path.append(B)37 self.path[-1], self.path[-2] = self.path[-2], self.path[-1]38
39
40 #构建“蚁群算法”的主体
41 classACO(object):42 def __init__(self, ant_num=50, maxIter=300, alpha=1, beta=5, rho=0.1, Q=1):43 self.ants_num = ant_num #蚂蚁个数
44 self.maxIter = maxIter #蚁群最大迭代次数
45 self.alpha = alpha #信息启发式因子
46 self.beta = beta #期望启发式因子
47 self.rho = rho #信息素挥发速度
48 self.Q = Q #信息素强度
49 ###########################
50 self.deal_data('coordinates.dat') #提取所有城市的坐标信息
51 ###########################
52 self.path_seed = np.zeros(self.ants_num).astype(int) #记录一次迭代过程中每个蚂蚁的初始城市下标
53 self.ants_info = np.zeros((self.maxIter, self.ants_num)) #记录每次迭代后所有蚂蚁的路径长度信息
54 self.best_path = np.zeros(self.maxIter) #记录每次迭代后整个蚁群的“历史”最短路径长度
55 ###########################
56 self.solve() #完成算法的迭代更新
57 self.display() #数据可视化展示
58
59 defdeal_data(self, filename):60 with open(filename, 'rt') as f:61 temp_list = list(line.split() for line in f) #临时存储提取出来的坐标信息
62 self.cities_num = len(temp_list) #1. 获取城市个数
63 self.cities = list(City(float(item[0]), float(item[1])) for item in temp_list) #2. 构建城市列表
64 self.city_dist_mat = np.zeros((self.cities_num, self.cities_num)) #3. 构建城市距离矩阵
65 for i inrange(self.cities_num):66 A =self.cities[i]67 for j inrange(i, self.cities_num):68 B =self.cities[j]69 self.city_dist_mat[i][j] = self.city_dist_mat[j][i] =Ant.calc_len(A, B)70 self.phero_mat = np.ones((self.cities_num, self.cities_num)) #4. 初始化信息素矩阵
71 #self.phero_upper_bound = self.phero_mat.max() * 1.2 ###信息素浓度上限
72 self.eta_mat = 1/(self.city_dist_mat + np.diag([np.inf]*self.cities_num)) #5. 初始化启发函数矩阵
73
74 defsolve(self):75 iterNum = 0 #当前迭代次数
76 while iterNum <77 self.random_seed>
78 delta_phero_mat = np.zeros((self.cities_num, self.cities_num)) #初始化每次迭代后信息素矩阵的增量
79 ##########################################################################
80 for i inrange(self.ants_num):81 city_index1 = self.path_seed[i] #每只蚂蚁访问的第一个城市下标
82 ant_path = Path(self.cities[city_index1]) #记录每只蚂蚁访问过的城市
83 tabu = [city_index1] #记录每只蚂蚁访问过的城市下标,禁忌城市下标列表
84 non_tabu = list(set(range(self.cities_num)) -set(tabu))85 for j in range(self.cities_num-1): #对余下的城市进行访问
86 up_proba = np.zeros(self.cities_num-len(tabu)) #初始化状态迁移概率的分子
87 for k in range(self.cities_num-len(tabu)):88 up_proba[k] = np.power(self.phero_mat[city_index1][non_tabu[k]], self.alpha) *\89 np.power(self.eta_mat[city_index1][non_tabu[k]], self.beta)90 proba = up_proba/sum(up_proba) #每条可能子路径上的状态迁移概率
91 while True: #提取出下一个城市的下标
92 random_num =np.random.rand()93 index_need = np.where(proba >random_num)[0]94 if len(index_need) >0:95 city_index2 =non_tabu[index_need[0]]96 break
97 ant_path.add_path(self.cities[city_index2])98 tabu.append(city_index2)99 non_tabu = list(set(range(self.cities_num)) -set(tabu))100 city_index1 =city_index2101 self.ants_info[iterNum][i] =Ant(ant_path.path).length102 if iterNum == 0 and i == 0: #完成对最佳路径城市的记录
103 self.best_cities =ant_path.path104 else:105 if self.ants_info[iterNum][i] < Ant(self.best_cities).length: self.best_cities =ant_path.path106 tabu.append(tabu[0]) #每次迭代完成后,使禁忌城市下标列表形成完整闭环
107 for l inrange(self.cities_num):108 delta_phero_mat[tabu[l]][tabu[l+1]] += self.Q/self.ants_info[iterNum][i]109
110 self.best_path[iterNum] =Ant(self.best_cities).length111
112 self.update_phero_mat(delta_phero_mat) #更新信息素矩阵
113 iterNum += 1
114
115 defupdate_phero_mat(self, delta):116 self.phero_mat = (1 - self.rho) * self.phero_mat +delta117 #self.phero_mat = np.where(self.phero_mat > self.phero_upper_bound, self.phero_upper_bound, self.phero_mat) # 判断是否超过浓度上限
118
119 def random_seed(self): #产生随机的起始点下表,尽量保证所有蚂蚁的起始点不同
120 if self.ants_num <= self.cities_num: #蚂蚁数 <= 城市数
121 self.path_seed[:] =np.random.permutation(range(self.cities_num))[:self.ants_num]122 else: #蚂蚁数 > 城市数
123 self.path_seed[:self.cities_num] =np.random.permutation(range(self.cities_num))124 temp_index =self.cities_num125 while temp_index + self.cities_num <=self.ants_num:126 self.path_seed[temp_index:temp_index + self.cities_num] =np.random.permutation(range(self.cities_num))127 temp_index +=self.cities_num128 temp_left = self.ants_num %self.cities_num129 if temp_left !=0:130 self.path_seed[temp_index:] =np.random.permutation(range(self.cities_num))[:temp_left]131
132 def display(self): #数据可视化展示
133 plt.figure(figsize=(6, 10))134 plt.subplot(211)135 plt.plot(self.ants_info, 'g.')136 plt.plot(self.best_path, 'r-', label='history_best')137 plt.xlabel('Iteration')138 plt.ylabel('length')139 plt.legend()140 plt.subplot(212)141 plt.plot(list(city.x for city in self.best_cities), list(city.y for city in self.best_cities), 'g-')142 plt.plot(list(city.x for city in self.best_cities), list(city.y for city in self.best_cities), 'r.')143 plt.xlabel('x')144 plt.ylabel('y')145 plt.savefig('ACO.png', dpi=500)146 plt.show()147 plt.close()148
149
150 ACO()
77>
python蚁群算法 路径规划_蚁群算法(1) - Python实现相关推荐
- 机器人路径规划_人工蜂群算法
机器人路径规划_人工蜂群算法 原理 ABC(Artificial BeesColony)算法最先由Basturk等人提出并应用于函数优化问题,蜂群采蜜行为与函数优化问题对应关系如表1所示.由表1可知, ...
- 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 ...
- python蚁群算法路径规划_使用python实现蚁群算法
此次使用python实现蚁群算法是仿照蚁群优化算法的JAVA实现中的蚁群算法实现方法,使用的也是其中的数据(此处为上传数据),如需更深一步了解蚁群算法原理和具体实现过程,请参考蚁群优化算法的JAVA实 ...
- 多目标蚁群算法路径规划(四)------多目标约束过程常规流程框架
多目标蚁群算法路径规划(四) 文章目录 多目标蚁群算法路径规划(四) 零.系列前言(一定要看) 一.内容说明 1.1 本章内容说明 1.2 本章主要分享内容简介(摘要) 二. 多目标计算预先准备 2. ...
- 【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 ...
- 基于MATLAB GUI的蚁群算法路径规划实现电动汽车充电站与换电站协调
基于MATLAB GUI的蚁群算法路径规划实现电动汽车充电站与换电站协调 摘要: 随着电动汽车的普及和发展,电动汽车充电站与换电站的布局和规划变得尤为重要.本文基于MATLAB GUI平台,结合蚁群算 ...
- 【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 ...
- 【路径规划】(1) Dijkstra 算法求解最短路,附python完整代码
好久不见,我又回来了,这段时间把路径规划的一系列算法整理一下,感兴趣的点个关注.今天介绍一下机器人路径规划算法中最基础的 Dijkstra 算法,文末有 python 完整代码,那我们开始吧. 1. ...
- 算法学习之模拟退火算法路径规划(python代码实现)
模拟退火算法路径规划(python代码实现) 一.引言 二.算法介绍以及伪代码 1.算法通俗介绍 2.路径规划算法伪代码 三.算法流程及代码实现 1.地图创建 2.初始化路径 小结 3.计算适应度值 ...
最新文章
- JS---设计简易日历
- Android Service下载文件并自定义通知提示下载
- C语言成绩abc,C语言常用经典代码:求三角形的面积、把百分制成绩转换为ABC等级制、其两个自然数的最大公约数和最小公倍数...
- python函数装饰器参数 参数_【转】python 装饰器功能以及函数参数使用
- boost::fusion::traits::deduce_sequence用法的测试程序
- 交换机的特点及工作原理
- 一元线性回归决定系数_回归分析|笔记整理(1)——引入,一元线性回归(上)...
- 诗与远方:无题(二十)
- json 解析_json爬坑1:yajl解析json
- mysql relay log参数汇总
- 我的double array trie
- android期末课设选题_Android课程设计报告书.doc
- js基础之六种继承方式
- 数学分析教程(科大)——6.4笔记+习题
- 【英语语法入门】第04讲 代词的主格和宾格
- yaourt/yay 安装软件出现 parse “XXX“: first path segment in URL cannot contain colon 错误
- ArcGIS Pro 3.0学习版安装教程
- 关于笔试遇到的题 1
- 怎么制作升温曲线图_炉温曲线图是怎么看的啊!
- iOS多级列表 - XQMultistageTableView
热门文章
- MySQL普通索引与唯一索引__mysql中唯一索引和普通索引的用途及区别
- vue 调用webservice_js跨域调用WebService的简单实例
- 查看论坛隐藏链接_软连接与硬链接的区别
- DOM操作获取标签方法、数据类型
- python一个函数调用另一个函数的返回值_在python函数中使用True,False和None作为返回值...
- updatepanel失效怎么办_【点滴积累】解决jQuery绑定事件在updatepanel更新后失效的方法...
- python转二进制字符串_python如何将二进制串(UTF-8)转换为字符串?
- 服务器主机启动不显示,服务器主机不启动怎么回事
- c语言各个英文的作用,C语言最重要的知识点复习资料(国外英文资料).doc
- adb server is out of date. linux,adb server is out of date. killing完美解决