全局路径规划算法—蚁群算法—学习笔记

全局路径规划算法—蚁群算法

蚁群算法（Ant Colony Algorithm, ACA） 于1992年在首次提出， 该算法模拟了自然界中蚂蚁的觅食行为。蚂蚁在寻找食物源时， 会在其经过的路径上释放一种信息素， 并能够感知其它蚂蚁释放的信息素。 信息素浓度的大小表征路径的远近， 信息素浓度越高， 表示对应的路径距离越短。通常， 蚂蚁会以较大的概率优先选择信息素浓度较高的路径， 并释放一定量的信息素， 以增强该条路径上的信息素浓度， 这样会形成一个正反馈。 最终蚂蚁能够找到一条从巢穴到食物源的 最佳路径， 即距离最短。

算法思想建模过程

流程图

dij:城市i与城市j之间的相互距离

allowk中的元素不断减少，直至为空，即表示所有的城市均访问完毕（不重复访问）

信息素浓度更新

信息素浓度更新部分代码

 %% 更新信息素
    
    % 计算每一条路径上的经过的蚂蚁留下的信息素
    Delta_Tau = Delta_Tau_initial;    
    
    % 逐个蚂蚁计算
    for i = 1:m
       
        % 逐个节点间计算
        for j = 1:length(route{i,1})-1
            node_start_temp = route{i,1}(j);
            node_end_temp = route{i,1}(j+1);
            idx =  find(Delta_Tau{node_start_temp, 2} == node_end_temp);
            Delta_Tau{node_start_temp,3}(idx) = Delta_Tau{node_start_temp,3}(idx) + Q/Length(i);
        end
        
    end