蚁群算法（简析）

最新推荐文章于 2024-03-21 19:05:26 发布

Sue_qx

最新推荐文章于 2024-03-21 19:05:26 发布

阅读量3.6k

点赞数

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/sue_qx/article/details/82149965

版权

蚁群算法用于最短路径寻优比较常见。

基于原理

算法：

1，n个城市坐标点 C（ $x_i$ ， $y_i$ ） $,i=1,2,...,n$

2，n个城市间全连接距离 $n\times n$ 矩阵 $D(d_{ij})$ $,i=1,2,...,n$ , $j=1,2,...,n$

3, 将m只蚂蚁随机放到n个城市，每个城市均有蚂蚁

4, 给定一个信息素 $n\times n$ 矩阵 $Tabu_{ij}$ ， $,i=1,2,...,n$ , $j=1,2,...,n$ ,之后迭代更新 $Tabu_{ij}$

5，计算 $n\times n$ 矩阵 $Eta_{ij}$ 启发因子，这里为距离的倒数

6, 定义 $Alpha$ 表征信息素重要程度的参数； $Beta$ 表征启发式因子重要程度的参数

7，计算一只蚂蚁 $i$ ，从城市 $j$ 到达下一城市 $k$ 的概率公式：

$p(k)=(Tau(visited(end),J(k))^{Alpha})*(Eta(visited(end),J(k))^{Beta})$ -------（1）

$visited(end)$ ：蚂蚁最近走的到一处地方， $j(k)$ 为下一作城市

在这里计算了蚂蚁城市 $j$ 到达下一城市 $k$ 的所有概率，接下来使用轮盘赌算法，使蚂蚁选择不同的路。而轮盘赌算法就公式而言，和蚁群算法核心很相似。

轮盘赌算法：https://blog.csdn.net/pymqq/article/details/51375522

8， $Tabu(i,j)$ 为第i个蚂蚁走过的路

9,信息素更新公式：

$Tau(Tabu(i,j),Tabu(i,j+1))=DetaTau(Tabu(i,j),Tabu(i,j+1))+Q/l(i)$ --------------（2）

Q 信息素增加强度系数。 $l(i)$ 为第i个蚂蚁走过的全距离。本质更新为所有的路段的信息素增量：经过这个路段的蚂蚁走过的全距离的倒数*比例。

最后蚁群算法实现核心有两点：1，蚂蚁如何选择下一个城市；2，城市间路径信息素如何更新。

1，下一城市选择基于概率计算，计算公式为（1），得到剩下去城市概率，产生一个随机数，基于随机数决定去下面哪一个城市。例如：剩3个城市，概率为：0.1，0.2，0.7，累计概率为：0.1，0.3，0.7，产生一个随机数，随机数为0.21，则去城市2。此过程则为轮盘赌，又可说其服从蚁群算法会优先去概率大的地方，但还是随机走。

2，概率由信息素决定，信息素根据蚂蚁走过的路线长度进行更新，每一段城市i，j之间的信息素增量为经过这段的路蚂蚁总路径的倒数*比例。

算法实现：https://blog.csdn.net/zlk961543260/article/details/70172647

关注

0
点赞
踩
3

收藏

觉得还不错? 一键收藏
0
评论
蚁群算法（简析）

蚁群算法用于最短路径寻优比较常见。基于原理算法：1，n个城市坐标点 C（，）2，n个城市间全连接距离矩阵 ,3, 将m只蚂蚁随机放到n个城市，每个城市均有蚂蚁4, 给定一个信息素矩阵，,,之后迭代更新5，计算矩阵启发因子，这里为距离的倒数6, 定义表征信息素重要程度的参数；表征启发式因子重要程度的参数7，计算一只蚂蚁，从城市到达下一城市的概率公式：...
复制链接

扫一扫

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。