蚁群算法解决TSP问题的JAVA实现（一）

最新推荐文章于 2024-08-16 17:41:32 发布

王艺凯

最新推荐文章于 2024-08-16 17:41:32 发布

阅读量4.6k

点赞数 1

文章标签：蚁群算法 TSP问题蚁周系统 java算法

本文链接：https://blog.csdn.net/u012605877/article/details/44356279

版权

1.算法背景

关于基本的蚁群算法及TSP问题本文不做描述，可参考百度百科做简单了解：
蚁群算法
 TSP问题

本程序主要实现了 $蚁群算法及其应用^{[1]}$ P26–2.3蚁周系统模型中所描述的算法，并依JAVA语言特性及问题规模做了小幅度修改。在该书的第二章还描述了另外两种基本的蚁群系统，蚁量系统及蚁密系统，因为普遍认为蚁周系统要优于另外两种系统，故本程序将实现蚁周系统。

2.数学模型

2.1.参数描述

城市规模为n，即有n座城市，从0 ~ n - 1对其进行编号；若i，j为其中的任意两个城市的编号，则有 i，j >= 0 && i , j <= n - 1。
$d_{ij}$ ：两城市i和j之间的距离；将任意两城市看作两个点，则此距离为二维平面上这两点间的直线距离；设定多个城市不可重叠在同一个点上，因此当i = j时， $d_{ij}=0$ ，但此时无意义；当i != j时， $d_{ij}>0$ 。又规定两城市间的距离向量是对称的，即有 $d_{ij} = d_{ji}$ 。
$\eta_{ij}$ ：由城市i转移到城市j的启发程度，即环境因素本身对蚂蚁选择判断的影响，这个值在蚁群系统的运行中不改变。在本算法中 $\eta_{ij} = 1 / d_{ij}$ ，即i，j两城市的距离越短对蚂蚁选择的吸引力越大。又因 $d_{ij} = d_{ji}$ ，则同样也有 $\eta_{ij} = \eta_{ji}$ 。
时刻t，为计算机模拟的实际环境时间；该时刻是离散而非连续的；从0时刻起，最小离散单位为1，即时刻为0，1，2，3，4，5···通常在1个时刻以内会发生蚂蚁移动一步这类的原子事件。
$b_i(t)$ ：t时刻位于城市i的蚂蚁数目；有 $m = \sum_{i=0}^{n-1}b_i(t)$ 。
$\tau_{ij}(t)$ ：城市i，j之间t时刻时边上的信息素轨迹强度，初始t=0时刻时，设置一个初始常量 $\tau_{ij}(t) = C$ ，其中 $C \in N$ 。 $\tau_{ij}(t) \in N$ ；当i=j时无实际意义；又因边具有对称的特性，故 $\tau_{ij}(t) = \tau_{ji}(t)$
$\Delta\tau_{ij}^k(t,t+\Delta t)$ ：在t时刻到 $t+\Delta t$ 时刻这 $\Delta t$ 的时间内，蚂蚁k在（i，j）城市间路段上产生的信息素量。同样， $\Delta\tau_{ij}^k(t,t+\Delta t) \in N$ 且 $\Delta\tau_{ij}^k(t,t+\Delta t) = \Delta\tau_{ji}^k(t,t+\Delta t)$ 。
$\Delta\tau_{ij}(t,t+\Delta t)$ ：在t时刻到 $t+\Delta t$ 时刻这 $\Delta t$ 的时间内，（i，j）城市间路段的信息素增量。有 $\Delta\tau_{ij}(t,t+\Delta t) = \sum_{k=0}^{m-1} \Delta\tau_{ij}^k(t,t+\Delta t)$ 。同样， $\Delta\tau_{ij}(t,t+\Delta t) \in N$ 且 $\Delta\tau_{ij}(t,t+\Delta t) = \Delta\tau_{ji}(t,t+\Delta t)$ 。
$\tau_{ij}(t + \Delta t) = \rho·\tau_{ij}(t) + \Delta\tau_{ij}(t,t+\Delta t)$ ，其中 $\rho \in [0,1]$ 为 $\tau_{ij}(t)$ 在刷新信息素时的保留百分比；若为0则全部挥发，若为1则全部保留。
蚁群规模为m，即蚁群中有m只蚂蚁，从0 ~ m - 1对其进行编号；k为其中的任意1只蚂蚁的编号，则有 k >= 0 && k <= m - 1。
$tabu_k$ ：蚂蚁k的禁忌表；初始时为空。每当蚂蚁到达一个城市都将该城市放到禁忌表中。因为tSP问题特性规定了除初始城市外每个城市都仅访问1次，故禁忌表长度固定为城市规模n；当禁忌表填满后，禁忌表中的城市顺序组成的路径即为TSP问题的一个解。
$L_k$ ：第k只蚂蚁在求得某解后所走过的路径长度；注意*该长度必须包括最后一个到访的城市到初始城市的距离，因为TSP问题要求回到初始城市*， $L_k > 0$ 。
$Q$ ：蚂蚁在求得一个解后在其路径上播撒的信息素总量。这是一个常量值且 $Q \in N^+$
蚂蚁的运动速度与路径的实际长度无关；固定每个1个单位时间内可从某城市到达任意另一个城市。
$Δ τ k i j (t, t + Δ t) = Q / L k ，如果蚂蚁 k 在某次循环中经过路径 i ， j$ $\Delta\tau_{ij}^k(t,t+\Delta t) = Q / L_k ，如果蚂蚁k在某次循环中经过路径i，j$
$Δ τ k i j (t, t + Δ t) = 0 ，否则$ $\Delta\tau_{ij}^k(t,t+\Delta t) = 0 ，否则$
因为(i,j)与(j,i)是同一条道路，故只要蚂蚁经过了(i,j)则 $\Delta\tau_{ij}^k(t,t+\Delta t)$ 与 $\Delta\tau_{ji}^k(t,t+\Delta t)$ 都应该加上该蚂蚁释放的信息素，这样才能确保对称
$allowed_k$ ：蚂蚁k下一步允许到达的城市。即所有不在蚂蚁禁忌表 $tabu_k$ 中的其他城市。
$P k i j (t) = τ α i j ( t ) η β i j \sum s \in a l l o w e d k τ α i s ( t ) η β i s ， j \in a l l o w e d k$ $P_{ij}^k(t) = \frac{\tau_{ij}^\alpha(t)\eta_{ij}^\beta}{\sum_{s \in allowed_k}\tau_{is}^\alpha(t)\eta_{is}^\beta}，j \in allowed_k$
$P k i j (t) = 0 ， o t h e r w i s e$ $P_{ij}^k(t) = 0，otherwise$
$P_{ij}^k(t)$ 表示若t时刻蚂蚁k位于城市i，则它到达城市j的概率； $P_{ij}^k(t) \in [0,1]$ 且 $P_{ij}^k(t) = P_{ji}^k(t)$ 。 $\alpha$ 和 $\beta$ 是两个常量，分别控制信息素信息及环境因素信息对蚂蚁选择城市的影响程度
$bestWay$ ：每轮找到的最优路径组成的数组；从当轮蚂蚁填满的禁忌表中筛选。标准为走过的长度 $L_k$ 最短。
$N_{cmax}$ ：常量，最大求解循环次数，当到达该次数后算法停止。 $N_{cmax} \in N^+$ 。

2.2.算法流程

2.2.1.初始化

初始化城市，及各常量参数；初始时刻为t=0

2.2.2.循环

【循环层1】共循环 $N_{cmax}$ 轮，每轮循环用时(n-1)个单位时间，发生如下事件：

本轮刚开始的时刻为t时刻，生成一个规模为m的蚁群，将m只蚂蚁随机放置到n个城市中，并将蚂蚁们的初始城市放入其禁忌表中。该操作不耗费时间。
【循环层1-1】循环n-1次，该循环结束后每只蚂蚁的禁忌表都将被填满，每只蚂蚁都访问了所有城市1次且仅一次，时间流逝了n-1个单位时间,每次：
1.时间t=t+1,表示每次循环时间都流逝了1个单位时间。
2.【循环层1-1-1】循环m次，这m次循环是在一个单位时间内同时并行发生的，每只蚂蚁都做如下动作：
蚂蚁依 $P_{ij}^k(t)$ 到达一座新的城市，同时将新的城市加入自己的禁忌表。
【循环层1-2】循环m次，遍历所有蚂蚁的禁忌表。
得到每只蚂蚁的 $L_k$ 。
得到本轮的最优路径 $bestWay$
将蚂蚁禁忌表中走过的路径播洒上信息素。 $\Delta t = n - 1$
将本轮的最优路径 $bestWay$ 与全局的最优路径对比，若更优秀，则替换。
消灭当前的蚁群（杀死所有蚂蚁），然后休整一个单位时间，t=t+1。