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};