路径规划算法学习

Ⅱ   Dijkstra算法

算法思想

用蚂蚁的行走路径表示待优化问题的可行解， 整个蚂蚁群体的所有路径构成待优化问题的解空间。路径较短的蚂蚁释放的信息素量较多， 随着时间的推进， 较短的路径上累积的信息素浓度逐渐增高， 选择该路径的蚂蚁个数也愈来愈多。最终， 整个蚂蚁会在正反馈的作用下集中到最佳的路径上， 此时对应的便是待优化问题的最优解。

 

 

 

 

自我解读

总而言之，蚁群算法是对局部路径规划的优化算法，但它是一种概率算法，并且受蚁群数量的影响，收敛的效果不太适合实际应用，每一只蚂蚁释放的信息素浓度都会对路径规划产生一定的影响，一旦出现偏差，不断强化路径上信息素浓度的正反馈会使结果产生严重的误差。

修改代码中的启发函数重要程度因子值为0.5时，最短路径收敛至22，即正确的最短距离，但是相应平均距离会收敛至25

代码解读

clc
clear
close all
​
​
%% 初始化参数
% 根据节点的邻近节点表及字母节点-数字节点对应表，构造节点元胞数组
nodes_data = cell(0);
nodes_data(1,:) = {1, [2, 6, 7], [12, 16, 14]};
nodes_data(2,:) = {2, [1, 3, 6], [12, 10, 7]};
nodes_data(3,:) = {3, [2, 4, 5, 6], [10, 3, 5, 6]};
nodes_data(4,:) = {4, [3, 5], [3, 4]};
nodes_data(5,:) = {5, [3, 4, 6, 7], [5, 4, 2, 8]};
nodes_data(6,:) = {6, [1, 2, 3, 5, 7], [16, 7, 6, 2, 9]};
nodes_data(7,:) = {7, [1, 5, 6], [14, 8, 9]};
​
% 始末节点
node_start = 4;                       % 初始源节点
node_end = 1;                         % 终节点
​
% 蚁群相关定义
m = 60;                              % 蚂蚁数量
n = size(nodes_data,1);              % 节点数量
alpha = 1;                           % 信息素重要程度因子3
beta = 5;                            % 启发函数重要程度因子
rho = 0.1;                           % 信息素挥发因子
Q = 1;                               % 常数
​
% 迭代过程中，相关参数初始化定义
iter = 1;                            % 迭代次数初值
iter_max = 100;                      % 最大迭代次数 
Route_best = cell(iter_max,1);       % 各代最佳路径       
Length_best = zeros(iter_max,1);     % 各代最佳路径的长度  
Length_ave = zeros(iter_max,1);      % 各代路径的平均长度
​
% 将信息素、挥发因子一并放入nodes_data中
Delta_Tau_initial = nodes_data(:,1:2);
for i = 1:size(nodes_data,1)
    nodes_data{i,4} = ones(1, length(nodes_data{i,3}));   % 信息素
    nodes_data{i,5} = 1./nodes_data{i,3};                 % 挥发因子
    Delta_Tau_initial{i,3} = zeros(1, length(nodes_data{i,3}));
end
​
​
%% 迭代寻找最佳路径
while iter <= iter_max  
route = cell(0);
​
%%  逐个蚂蚁路径选择
for i = 1:m
    % 逐个节点路径选择
    neighbor = cell(0);
    node_step = node_start;
    path = node_step;
    dist = 0;
    while ~ismember(node_end, path) %当路径表里面包含了终节点时，该蚂蚁完成路径寻优，跳出循环
       
        % 寻找邻近节点           
        neighbor = nodes_data{node_step,2};
        
        % 删除已经访问过的临近节点
        idx = [];
        for k = 1:length(neighbor)
            if ismember(neighbor(k), path)
                idx(end+1) =  k;
            end
        end
        neighbor(idx) = [];
        
        % 判断是否进入死胡同， 若是，直接返回到起点，重新寻路
        if isempty(neighbor)
            neighbor = cell(0);
            node_step = node_start;
            path = node_step;
            dist = 0;
            continue
        end
           %计算下一个节点的访问概率
        P = neighbor;
        for k=1:length(P)
            P(2,k) = nodes_data{node_step, 4}(k)^alpha * ...
                nodes_data{node_step, 5}(k)^beta;
        end
        P(2,:) = P(2,:)/sum(P(2,:));
        
        % 轮盘赌法选择下一个访问节点
        Pc = cumsum(P(2,:));
        Pc = [0, Pc];
        randnum = rand;
        for k = 1:length(Pc)-1
            if randnum > Pc(k) && randnum < Pc(k+1)
                target_node = neighbor(k);
            end
        end
         % 计算单步距离
        idx_temp = find(nodes_data{node_step, 2} == target_node);
        dist = dist + nodes_data{node_step, 3}(idx_temp);
        
        % 更新下一步的目标节点及路径集合            
        node_step = target_node;
        path(end+1) = node_step;         
                   
    end
    
    % 存放第i只蚂蚁的累计距离及对应路径
    Length(i,1) = dist;
    route{i,1} = path;
end
​
%% 计算这一代的m只蚂蚁中最短距离及对应路径
if iter == 1
    [min_Length,min_index] = min(Length);
    Length_best(iter) = min_Length;
    Length_ave(iter) = mean(Length);
    Route_best{iter,1} = route{min_index,1};
    
else
    [min_Length,min_index] = min(Length);
    Length_best(iter) = min(Length_best(iter - 1),min_Length);
    Length_ave(iter) = mean(Length);
    if Length_best(iter) == min_Length
        Route_best{iter,1} = route{min_index,1};
    else
        Route_best{iter,1} = Route_best{iter-1,1};
    end
end
​
%% 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
​
% 考虑挥发因子，更新信息素
for i = 1:size(nodes_data, 1)
    nodes_data{i, 4} = (1-rho) * nodes_data{i, 4} + Delta_Tau{i, 3};
end
​
% 更新迭代次数
iter = iter + 1;
end
​
​
%% 绘图、结果   
​
figure
plot(1:iter_max,Length_best,'b',1:iter_max,Length_ave,'r')
legend('最短距离','平均距离')
xlabel('迭代次数')
ylabel('距离')
title('各代最短距离与平均距离对比')
​
% 最优路径
[dist_min, idx] = min(Length_best);
path_opt = Route_best{idx,1};