蚁群算法解决tsp问题python_蚁群算法-求解TSP问题

蚁群算法(ant colony optimization, ACO)

1 原理介绍

​蚁群算法(Ant Colony Algorithm)最初于1992年由意大利学者M.Dorigo等人提出，它是一种模拟自然界中真实蚁群觅食行为的仿生优化算法。研究发现：每只蚂蚁觅食时在走过的路线上会留下一种称为信息素的物质，蚂蚁之间靠感知这种物质的浓度进行信息传递。蚂蚁在选择路径时总是倾向于朝信息索浓度高的方向移动，而距离短的路径上走过的蚂蚁多，留下的信息素也多，后续蚂蚁选择它的概率也会越大；其他路径上的信息素会随着时间的推移不断挥发，这样就形成了一种正反馈机制，最后整个蚁群聚集到最短路径上。

​人工蚁群算法模拟了这一过程。每只蚂蚁在解空间独立地搜索可行解，解越好留下的信息素越多，随着算法推进，较优解路径上的信息素增多，选择它的蚂蚁也随之增多，最终收敛到最优或近似最优的解上。

​蚁群优化算法最初用于解决旅行商问题(Travelling Salesman Problem，TSP)，称为蚂蚁系统(Ant System，AS)。该蚂蚁系统包含了蚁周算法、蚁密算法和蚁量算法。首先来介绍蚁周算法。对于TSP问题，假设n为城市规模，i和j为任意两个城市，

表示城市之间的距离，

表示t时刻在城市i蚂蚁的数量，则

表示蚂蚁的总数量。在遍历的过程中，把蚂蚁经过一个城市称为一次迭代，那么遍历n个城市需要n次迭代。

​蚂蚁系统采用

来模仿t时刻路径i到j上面的信息残留量，即信息素浓度。类似于蚂蚁觅食过程，每条路径上面的信息素会挥发，如果有蚂蚁经过的时候，信息素的浓度会相应增加。因此，蚂蚁系统中的信息素浓度的更新公式为：

式中，

是一个0到1的数字，

为挥发因子。另外，

表示一次旅行(遍历完所有城市)后，所有路径i到j的蚂蚁留下的信息素总量，即：

式中，

表示第k只蚂蚁在路径i到j上面留下的信息素量。如果第k只蚂蚁经过路径i到j，则：

式中，Q为一个常数，

为蚂蚁已经走过路径的总长度。否则，第k只蚂蚁在i到j上面留下的信息素量为0。

​一般来说有了信息素浓度的更新公式，就可以直接给出蚂蚁对每条路径的选择概率了。然而，为了更好的利用TSP问题自身的性质，M.Dorigo等引入了一个启发项：

。通过结合信息素浓度和启发因子，可以得到蚂蚁选择路径i到j的概率为：

式中，

和

是调节因子，用于调节

和

之间的作用。此外

表示蚂蚁k还没有走过的路径(用禁忌表存储已经走过的路径)，通过这种存储可以保证所有解的逻辑可行。如果路径i到j上的信息浓度越大

的值就越大，该路径被选择的概率就越大；同样，如果该路径长度越短，则

越大，该路径被选择的概率也越大。

​蚁量算法和蚁密算法跟蚁周算法的区别之处在于信息素量的更新方式。蚁量算法的信息素量更新方式如下：

可以看出，蚁量模型只用到了当前路径的信息，没有考虑全局信息。

​蚁密算法的信息素量更新方式如下：

可以看出，蚂蚁分泌的信息素量只是一个常量，没有用到路径长度的信息。

求解TSP问题的蚁群算法中的人工蚂蚁具有以下特点：

1)他们概率性地选择下一条路径，该概率与路径长度和路径上的信息素浓度有关；

2)为了保证解的逻辑可行，蚂蚁不允许选择已经走过的路径(通过禁忌表实现)；

3)蚂蚁走过一条路径时会在该路径上面分泌一种叫做信息素的物质。

2 代码实现

2.1 MATALB实现：

%%%一个旅行商人要拜访全国31个省会城市，需要选择最短的路径%%%%

%%%蚁群算法解决TSP问题%%%%%%%

clear all; %清除所有变量

close all; %清图

clc; %清屏

m=50; %% m 蚂蚁个数

Alpha=1; %% Alpha 表征信息素重要程度的参数

Beta=5; %% Beta 表征启发式因子重要程度的参数

Rho=0.1; %% Rho 信息素蒸发系数

NC_max=100; %%最大迭代次数

Q=100; %%信息素增加强度系数

C=[

1304 2312;

3639 1315;

4177 2244;

3712 1399;

3488 1535;

3326 1556;

3238 1229;

4196 1004;

4312 790;

4386 570;

3007 1970;

2562 1756;

2788 1491;

2381 1676;

1332 695;

3715 1678;

3918 2179;

4061 2370;

3780 2212;

3676 2578;

4029 2838;

4263 2931;

3429 1908;

3507 2367;

3394 2643;

3439 3201;

2935 3240;

3140 3550;

2545 2357;

2778 2826;

2370 2975

];%%31个省会坐标

%%-------------------------------------------------------------------------

%% 主要符号说明

%% C n个城市的坐标，n×2的矩阵

%% NC_max 最大迭代次数

%% m 蚂蚁个数

%% 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

%% Rho 信息素蒸发系数

%% Q 信息素增加强度系数

%% R_best 各代最佳路线

%% L_best 各代最佳路线的长度

%%=============================================================&