人工智能导论实验五—— 蚁群算法 （用蚁群算法求解不用规模（如10个城市，20个城市，100个城市）的TSP问题）

一、    实验目的

熟悉和掌握蚁群算法的原理、流程和信息素更新策略，理解求解TSP问题的流程并测试主要参数对结果的影响，掌握蚁群算法的基本实现方法 

二、    实验内容

用蚁群算法求解不同规模（如10个城市，20个城市，100个城市）的TSP问题。

三、    实验要求

1．用蚁群算法求解不用规模（如10个城市，20个城市，100个城市）的TSP问题

2．对于用一个TSP问题，设置不同的种群规模、重要因子。

四、    实验步骤

1.画出蚁群算法求解TSP问题的流程图。

2.分析蚁群算法求解不同规模的TSP问题的算法性能。

    算法性能分析可以通过对不同规模的问题（例如10、20、100个城市）进行实验，记录每个规模下的收敛速度和最优路径长度。一般来说，问题规模增大时，收敛速度会减慢，且需要更多的蚂蚁数量和迭代次数才能找到接近最优的解。

3.对于用一个TSP问题，分析不同的种群规模、重要因子对算法结果的影响。

种群规模：增加种群规模（蚂蚁数量）可以提高解的精度，但也会增加计算时间。
重要因子α和β：α控制信息素的影响，β控制城市距离的影响。合适的α和β组合可以在信息素引导和启发函数之间取得平衡，从而提高解的质量。

4.提交源程序。

import numpy as np

# 参数设置
num_cities = 20  # 城市数量，可以调整
num_ants = 30  # 蚂蚁数量
alpha = 1  # 信息素重要性因子
beta = 5  # 启发式因子
rho = 0.5  # 信息素挥发系数
iterations = 100  # 迭代次数

# 初始化城市距离矩阵（随机生成）
np.random.seed(42)
# distance_matrix = np.random.randint(1, 10, size=(num_cities, num_cities))
# distance_matrix = np.random.randint(1, 20, size=(num_cities, num_cities))
distance_matrix = np.random.randint(1, 100, size=(num_cities, num_cities))
np.fill_diagonal(distance_matrix, 0)

# 初始化信息素矩阵
pheromone_matrix = np.ones((num_cities, num_cities))

# 距离转换为启发式信息
heuristic_matrix = 1 / (distance_matrix + 1e-10)

# 路径选择函数
def choose_next_city(visited, current_city):
    probabilities = np.zeros(num_cities)
    for j in range(num_cities):
        if j not in visited:
            probabilities[j] = (pheromone_matrix[current_city][j] ** alpha) * (heuristic_matrix[current_city][j] ** beta)
    probabilities /= probabilities.sum()
    return np.random.choice(range(num_cities), p=probabilities)

# 更新信息素矩阵
def update_pheromones(paths, path_lengths):
    global pheromone_matrix
    pheromone_matrix *= (1 - rho)
    for path, length in zip(paths, path_lengths):
        for i in range(num_cities - 1):
            pheromone_matrix[path[i]][path[i + 1]] += 1.0 / length
        pheromone_matrix[path[-1]][path[0]] += 1.0 / length

# 主算法
def ant_colony_optimization():
    best_path = None
    best_length = float('inf')
    for _ in range(iterations):
        paths = []
        path_lengths = []
        for _ in range(num_ants):
            path = [np.random.randint(num_cities)]
            while len(path) < num_cities:
                next_city = choose_next_city(path, path[-1])
                path.append(next_city)
            path_length = sum(distance_matrix[path[i]][path[i + 1]] for i in range(num_cities - 1))
            path_length += distance_matrix[path[-1]][path[0]]
            paths.append(path)
            path_lengths.append(path_length)
            if path_length < best_length:
                best_length = path_length
                best_path = path
        update_pheromones(paths, path_lengths)
    return best_path, best_length

# 执行算法
best_path, best_length = ant_colony_optimization()
print("最优路径:", best_path)
print("最优路径长度:", best_length)

五、    实验结果

10个城市：

20个城市：

 100个城市：

六、    实验心得

通过实验，我们可以体会到蚁群算法在求解组合优化问题（如TSP）中的优势。蚁群算法能够通过信息素逐步优化路径，但同时受制于参数的影响。随着迭代次数增加，信息素逐渐集中在更优路径上，使得蚁群算法能够找到近似最优解。增加蚂蚁数量可以改善解的质量，但会增加计算开销。总体来说，蚁群算法为求解TSP提供了一种生物启发式的解决方案，通过不断迭代实现路径的优化。