蚁群算法求解TSP问题
1. TSP问题简介
旅行商人要拜访n个城市,并最终回到出发城市,要求每个城市只能拜访一次,优化目标是最小化路程之和。
2. 例子求解结果
20个城市坐标:(88, 16),(42, 76),(5, 76),(69, 13),(73, 56),(100, 100),(22, 92),(48, 74),(73, 46),(39, 1),(51, 75),(92, 2),(101, 44),(55, 26),(71, 27),(42, 81),(51, 91),(89, 54),(33, 18),(40, 78)
结果路径图如下:
3. 蚁群算法简介
3.1 蚁群算法基本原理
1、蚂蚁在行走过程中会依据信息素来选择道路,选择信息素较浓的路走,并且在行走的路径中会释放信息素,对于所有蚂蚁都没经过的路,则随机选择一条路走;
2、蚂蚁释放的信息素浓度与长度相关,通常与路径长度成反比;
3、信息素浓的路径会受到蚂蚁更大概率的选择,形成正向反馈,最短路径上的信息素浓度会越来越大,最终蚁群就都按这条最短路径走。
信息素计算公式、转移概率、信息素重要程度因子、启发函数重要程度因子、信息素挥发因子等详细介绍可参考蚁群算法详细讲解 和 TSP解决之道——蚁群算法
3.2 算法的两个关键步骤
1、选择:为蚂蚁选择下一个城市,信息素越多的路径被选中概率较大,可用轮盘赌算法实现;
2、信息素更新:一段时间后(蚂蚁走完一个城市或者走完整个路径后)重新计算信息素(计算方法:历史累计信息素-信息素挥发量+蚂蚁行走释放量),蚂蚁行走释放量的常见方法有三种:蚁周算法(ant-cycle,蚂蚁走完整个路径后,蚂蚁行走释放部分用Q/L计算,Q表示蚂蚁释放信息素的量,为常量,L表示路径总长度)、蚁密算法(ant-density,蚂蚁走完一个城市后,蚂蚁行走释放用Q表示)、蚁量算法(ant-quantity,蚂蚁走完一个城市后,蚂蚁行走释放用Q/dij表示,dij表示城市i和j之间的距离)。
4. 蚁群算法设计
在本算法设计中,包含两层循环,外循环是迭代次数循环,内循环遍历每一只蚂蚁,其中信息素增量在每一只蚂蚁走完整体路径后对当前信息素更新,而信息素挥发只在每一代蚂蚁都走完后对当前信息素更新,流程如下:
# -*- coding: utf-8 -*-
"""
蚁群算法求解TSP问题
随机在(0,101)二维平面生成20个点
距离最小化
"""
import math
import random
import pandas as pd
import matplotlib.pyplot as plt
from matplotlib.pylab import mpl
mpl.rcParams['font.sans-serif'] = ['SimHei'] # 添加这条可以让图形显示中文
#计算路径距离,即评价函数
def calFitness(line,dis_matrix):
dis_sum = 0
dis = 0
for i in range(len(line)-1):
dis = dis_matrix.loc[line[i],line[i+1]]#计算距离
dis_sum = dis_sum+dis
dis = dis_matrix.loc[line[-1],line[0]]
dis_sum = dis_sum+dis
return round(dis_sum,1)
def intialize(CityCoordinates,antNum):
"""
初始化,为蚂蚁分配初始城市
输入:CityCoordinates-城市坐标;antNum-蚂蚁数量
输出:cityList-蚂蚁初始城市列表,记录蚂蚁初始城市;cityTabu-蚂蚁城市禁忌列表,记录蚂蚁未经过城市
"""
cityList,cityTabu = [None]*antNum,[None]*antNum#初始化
for i in range(len(cityList)):
city = random.randint(0, len(CityCoordinates)-1)#初始城市,默认城市序号为0开始计算
cityList[i] = [city]
cityTabu[i] = list(range(len(CityCoordinates)))
cityTabu[i].remove(city)
return cityList,cityTabu
def select(antCityList,antCityTabu,trans_p):
'''
轮盘赌选择,根据出发城市选出途径所有城市
输入:trans_p-概率矩阵;antCityTabu-城市禁忌表,即未经过城市;
输出:完整城市路径-antCityList;
'''
while len(antCityTabu) > 0:
if len(antCityTabu) == 1:
nextCity = antCityTabu[0]
else:
fitness = []
for i in antCityTabu:fitness.append(trans_p.loc[antCityList[-1],i])#取出antCityTabu对应的城市转移概率
sumFitness = sum(fitness)
randNum = random.uniform(0, sumFitness)
accumulator = 0.0
for i, ele in enumerate(fitness):
accumulator += ele
if accumulator >= randNum:
nextCity = antCityTabu[i]
break
antCityList.append(nextCity)
antCityTabu.remove(nextCity)
return antCityList
def calTrans_p(pheromone,alpha,beta,dis_matrix,Q):
'''
根据信息素计算转移概率
输入:pheromone-当前信息素;alpha-信息素重要程度因子;beta-启发函数重要程度因子;dis_matrix-城市间距离矩阵;Q-信息素常量;
输出:当前信息素+增量-transProb
'''
transProb = Q/dis_matrix # 初始化transProb存储转移概率,同时计算增量
for i in range(len(transProb)):
for j in range(len(transProb)):
transProb.iloc[i,j] = pow(pheromone.iloc[i,j], alpha) * pow(transProb.iloc[i,j], beta)
return transProb
def updatePheromone(pheromone,fit,antCity,rho,Q):
'''
更新信息素,蚁周算法
输入:pheromone-当前信息素;fit-路径长度;antCity-路径;rho-ρ信息素挥发因子;Q-信息素常量
输出:更新后信息素-pheromone
'''
for i in range(len(antCity)-1):
pheromone.iloc[antCity[i],antCity[i+1]] += Q/fit
pheromone.iloc[antCity[-1],antCity[0]] += Q/fit
return pheromone
#画路径图
def draw_path(line,CityCoordinates):
x,y= [],[]
for i in line:
Coordinate = CityCoordinates[i]
x.append(Coordinate[0])
y.append(Coordinate[1])
x.append(x[0])
y.append(y[0])
plt.plot(x, y,'r-', color='#4169E1', alpha=0.8, linewidth=0.8)
plt.xlabel('x')
plt.ylabel('y')
plt.show()
if __name__ == '__main__':
#参数
CityNum = 20#城市数量
MinCoordinate = 0#二维坐标最小值
MaxCoordinate = 101#二维坐标最大值
iterMax = 100#迭代次数
iterI = 1#当前迭代次数
#ACO参数
antNum = 50#蚂蚁数量
alpha = 2#信息素重要程度因子
beta = 1#启发函数重要程度因子
rho = 0.2#信息素挥发因子
Q = 100.0#常数
best_fit = math.pow(10,10)#较大的初始值,存储最优解
best_line = []#存储最优路径
#随机生成城市数据,城市序号为0,1,2,3...
# CityCoordinates = [(random.randint(MinCoordinate,MaxCoordinate),random.randint(MinCoordinate,MaxCoordinate)) for i in range(CityNum)]
CityCoordinates = [(88, 16),(42, 76),(5, 76),(69, 13),(73, 56),(100, 100),(22, 92),(48, 74),(73, 46),(39, 1),(51, 75),(92, 2),(101, 44),(55, 26),(71, 27),(42, 81),(51, 91),(89, 54),(33, 18),(40, 78)]
#计算城市间距离,生成矩阵
dis_matrix = pd.DataFrame(data=None,columns=range(len(CityCoordinates)),index=range(len(CityCoordinates)))
for i in range(len(CityCoordinates)):
xi,yi = CityCoordinates[i][0],CityCoordinates[i][1]
for j in range(len(CityCoordinates)):
xj,yj = CityCoordinates[j][0],CityCoordinates[j][1]
if (xi==xj) & (yi==yj):
dis_matrix.iloc[i,j] = round(math.pow(10,10))
else:
dis_matrix.iloc[i,j] = round(math.sqrt((xi-xj)**2+(yi-yj)**2),2)
pheromone = pd.DataFrame(data=Q,columns=range(len(CityCoordinates)),index=range(len(CityCoordinates)))#初始化信息素,所有路径都为Q
trans_p = calTrans_p(pheromone,alpha,beta,dis_matrix,Q)#计算初始转移概率
while iterI <= iterMax:
'''
每一代更新一次环境因素导致的信息素减少,每一代中的每一个蚂蚁完成路径后,都进行信息素增量更新(采用蚁周模型)和转移概率更新;
每一代开始都先初始化蚂蚁出发城市;
'''
antCityList,antCityTabu = intialize(CityCoordinates,antNum)#初始化城市
fitList = [None]*antNum#适应值列表
for i in range(antNum):#根据转移概率选择后续途径城市,并计算适应值
antCityList[i] = select(antCityList[i],antCityTabu[i],trans_p)
fitList[i] = calFitness(antCityList[i],dis_matrix)#适应度,即路径长度
pheromone = updatePheromone(pheromone,fitList[i],antCityList[i],rho,Q)#更新当前蚂蚁信息素增量
trans_p = calTrans_p(pheromone,alpha,beta,dis_matrix,Q)
if best_fit >= min(fitList):
best_fit = min(fitList)
best_line = antCityList[fitList.index(min(fitList))]
print(iterI,best_fit)#打印当前代数和最佳适应度值
iterI += 1#迭代计数加一
pheromone = pheromone*(1-rho)#信息素挥发更新
print(best_line)#路径顺序
draw_path(best_line,CityCoordinates)#画路径图
TSP系列目录
智能优化算法类别 | 启发式算法求解TSP问题系列博文 |
---|---|
进化算法 | 遗传算法求解TSP问题 |
仿人智能优化算法 | 禁忌搜索算法求解TSP问题 |
仿自然优化算法 | 模拟退火算法求解TSP问题 |
群智能优化算法 | 蚁群算法求解TSP问题 |
群智能优化算法 | 粒子群算法求解TSP问题 |
总结篇 | 五种常见启发式算法求解TSP问题 |
改进篇 | 遗传-粒子群算法&遗传-禁忌搜索算法求解TSP问题 |
记录学习过程,欢迎指正