蚁群算法简介及Matlab实现

概述

蚁群算法的基本思路很简单，即通过人工构造的蚂蚁去寻找最短路径。蚁群算法的基本假定如下：

1. 开始时，蚁群随机寻找路径并释放信息素，信息量的多少与路径的长短成反比；
2. 后续通过蚂蚁会偏向于走在信息素更多的路径上，同时释放信息素；
3. 原有信息素会随时间推移而挥发；
4. 重复几次后，越来越多的蚂蚁会聚集到最短的路径上。

在路径优化类问题上，蚁群算法具有效率高、收敛快、易于接近最优解等特点。

流程

总流程图

运行结束条件，可以用次数判断，也可以用残差判断。
单次运行流程图

代码

本文用MATLAB来实现。
先生成供调用的方法ACO.m

function [Shortest_Route,Shortest_Length,ShortLengthList,MiddleLengthList]=ACO(cityList,originCityIndex,antCount,alpha,beta,rho,Q)
tic;
citySize=size( cityList);
ncityList=citySize(1);
distBetweenCity=zeros(ncityList);%%城市之间距离矩阵
yitaBetweenCity=zeros(ncityList);%%城市之间距离系数
tao=zeros(ncityList);%%信息素浓度矩阵
for i=1:ncityList
    for j=1:ncityList
        distBetweenCity(i,j)=norm(cityList(i,:)-cityList(j,:));
        if(i~=j)
            yitaBetweenCity(i,j)=1/distBetweenCity(i,j);
        end
    end
end

Shortest_Length=sum(sum(distBetweenCity));
Shortest_Route=zeros(ncityList+1,1);
runsCount=200;%%运行次数
ShortLengthList=zeros(runsCount,1);
MiddleLengthList=zeros(runsCount,1);
runsIndex=0;%%运行次数
while(runsIndex<=runsCount)
    allRoute=zeros(ncityList+1,antCount);
    for kk=1:antCount%%对不同的蚂蚁循环
        passedCity=zeros(ncityList+1,1);%%经过的城市
        passedCityIndex=1;
        passedCity(passedCityIndex)=originCityIndex;%%起点城市赋值
        passedCity(ncityList+1)=originCityIndex;%%终点城市赋值
        for k=1:ncityList-1%%对剩余的点循环
            selectionProbability=zeros(ncityList,1);%%选择概率矩阵
            for i=1:ncityList
                seleced=1;
                for j=1:ncityList
                    if(i==passedCity(j))
                        seleced=0;
                        break;   
                    end
                end
                if(seleced==1)
                    selectionProbability(i)=tao(i,passedCity(passedCityIndex))^alpha*yitaBetweenCity(i,passedCity(passedCityIndex))^beta;
                end
            end
            if(norm(selectionProbability)==0)
                selectionProbability=ones(ncityList,1);
            end
            selectionProbability=selectionProbability/sum(selectionProbability);
            totalProbability=zeros(ncityList,1);
            totalProbability(1)=selectionProbability(1);
            randValue=rand(1,1);
            nextCity=0;%%下一个点的编号
            if(randValue<selectionProbability(1))
                  nextCity=1; 
            else
                for i=2:ncityList
                    totalProbability(i)=sum(selectionProbability(1:i));
                    if (randValue<totalProbability(i)&&randValue>=totalProbability(i-1))
                        nextCity=i; 
                    end
                end
            end
            passedCityIndex=passedCityIndex+1;
            passedCity(passedCityIndex)=nextCity;
        end
        allRoute(:,kk)=passedCity;
    end
   
    tao=tao*(1-rho);%%信息素挥发
    lengthByEachAnt=zeros(antCount,1);
    for kk=1:antCount%%更新信息素并选择最短路径
        totalLength=0;%%单条路径总长
        passedCity=allRoute(:,kk);
        for i=1:ncityList
            totalLength=totalLength+distBetweenCity(passedCity(i),passedCity(i+1));   
        end
        lengthByEachAnt(kk)=totalLength;
        if(totalLength<Shortest_Length)
            Shortest_Length=totalLength;
            Shortest_Route=passedCity;
        end

        for i=1:ncityList
            tao(passedCity(i),passedCity(i+1))=tao(passedCity(i),passedCity(i+1))+Q/totalLength; %%走过的路径信息素增加
        end
    end
    ShortLengthList(runsIndex+1)= Shortest_Length;
    MiddleLengthList(runsIndex+1)= sum(lengthByEachAnt)/antCount;
    runsIndex=runsIndex+1;
end

routeLocation=zeros(ncityList+1,2);
for i=1:ncityList+1
    routeLocation(i,:)=cityList(Shortest_Route(i),:);
end
routeLocation=routeLocation';
subplot(1,2,1);
plot(ShortLengthList,'r');
hold on;
plot(MiddleLengthList,'g');
title('平均距离和最短距离')     %标题
subplot(1,2,2);
plot(routeLocation(1,:),routeLocation(2,:));
title('旅行商问题优化结果 ');
toc;

运行结果

在0<X<100，0<Y<100的区域内，随机生成100个点，寻找经过每个点的最短路径。
主程序如下：

cityList=100*rand(100,2);
originCityIndex=5;        %%起点城市编号
alpha=1;                  %%表征信息素重要程度的参数
beta=7;                   %%表征启发式因子重要程度的参数
antCount=50;              %%蚂蚁数量
rho=0.3;                  %%信息素蒸发系数
Q=1;                      %%信息素增加强度系数
[Shortest_Route,Shortest_Length,ShortLengthList,MiddleLengthList]=ACO(cityList,originCityIndex,antCount,alpha,beta,rho,Q);

运行结果如下图示：

最小距离为874.7373，非常接近理论上的最小路径长度。