蚁群算法python代码_蚁群算法（详解）python

only integers, slices (`:`), ellipsis (`…`), numpy.newaxis (`None`) and integer or boolean arrays are valid indices

因为要做数学建模，所以学一下蚁群算法。在CSDN中看到这个博客，但是不是很详细，基于此代码为模板，详解一下。

旅行商问题(travelling salesman problem,TSP)是物流领域的典型问题。蚂蚁算法求解TSP问题的过程如下：

(1)初始化，设迭代的次数为NC，初始NC=0。(2)将numant只蚂蚁置于numcity个顶点上。(3)numant只蚂蚁按概率函数选择下一个城市，完成各自的周游。(4)记录本次迭代最佳路线。(5)全局更新信息素值。(6)终止，若终止条件满足，则结束；否则iter=iter+1，转入步骤(2)进行下一代优化。终止条件可指定进化的代数，也可限定运行的时间，或设定最短路长的下限。

(7)输出结果。

下面是两个关键公式：

第一个是转移城市概率公式：

第二个公式是：信息素更新公式

代码与解释如下：

# -*- coding: utf-8 -*-

"""

Created on Wed Jun 16 15:21:03 2018

@author: SYSTEM

"""

import os

os.getcwd()

#返回当前工作目录

import numpy as np

import matplotlib.pyplot as plt

# % pylab

#初始化城市坐标，总共52个城市

coordinates = np.array([[565.0, 575.0], [25.0, 185.0], [345.0, 750.0], [945.0, 685.0], [845.0, 655.0],

[880.0, 660.0], [25.0, 230.0], [525.0, 1000.0], [580.0, 1175.0], [650.0, 1130.0],

[1605.0, 620.0], [1220.0, 580.0], [1465.0, 200.0], [1530.0, 5.0], [845.0, 680.0],

[725.0, 370.0], [145.0, 665.0], [415.0, 635.0], [510.0, 875.0], [560.0, 365.0],

[300.0, 465.0], [520.0, 585.0], [480.0, 415.0], [835.0, 625.0], [975.0, 580.0],

[1215.0, 245.0], [1320.0, 315.0], [1250.0, 400.0], [660.0, 180.0], [410.0, 250.0],

[420.0, 555.0], [575.0, 665.0], [1150.0, 1160.0], [700.0, 580.0], [685.0, 595.0],

[685.0, 610.0], [770.0, 610.0], [795.0, 645.0], [720.0, 635.0], [760.0, 650.0],

[475.0, 960.0], [95.0, 260.0], [875.0, 920.0], [700.0, 500.0], [555.0, 815.0],

[830.0, 485.0], [1170.0, 65.0], [830.0, 610.0], [605.0, 625.0], [595.0, 360.0],

[1340.0, 725.0], [1740.0, 245.0]])

#计算52个城市间的欧式距离

def getdistmat(coordinates):

num = coordinates.shape[0]

distmat = np.zeros((52, 52))

# 初始化生成52*52的矩阵

for i in range(num):

for j in range(i, num):

distmat[i][j] = distmat[j][i] = np.linalg.norm(coordinates[i] - coordinates[j])

return distmat

#返回城市距离矩阵

distmat = getdistmat(coordinates)

numant = 60 # 蚂蚁个数

numcity = coordinates.shape[0]

# shape[0]=52 城市个数,也就是任务个数

alpha = 1 # 信息素重要程度因子

beta = 5 # 启发函数重要程度因子

rho = 0.1 # 信息素的挥发速度

Q = 1 # 完成率

iter = 0 #迭代初始

itermax = 150 #迭代总数

etatable = 1.0 / (distmat + np.diag([1e10] * numcity))

#diag(),将一维数组转化为方阵 启发函数矩阵，表示蚂蚁从城市i转移到城市j的期望程度

pheromonetable = np.ones((numcity, numcity))

# 信息素矩阵 52*52

pathtable = np.zeros((numant, numcity)).astype(int)

# 路径记录表，转化成整型 40*52

distmat = getdistmat(coordinates)

# 城市的距离矩阵 52*52

lengthaver = np.zeros(itermax) # 迭代50次，存放每次迭代后，路径的平均长度 50*1

lengthbest = np.zeros(itermax) # 迭代50次，存放每次迭代后，最佳路径长度 50*1

pathbest = np.zeros((itermax, numcity)) # 迭代50次，存放每次迭代后，最佳路径城市的坐标 50*52

while iter < itermax:

#迭代总数

#40个蚂蚁随机放置于52个城市中

if numant <= numcity: # 城市数比蚂蚁数多，不用管

pathtable[:, 0] = np.random.permutation(range(numcity))[:numant]

#返回一个打乱的40*52矩阵，但是并不改变原来的数组,把这个数组的第一列(40个元素)放到路径表的第一列中

#矩阵的意思是哪个蚂蚁在哪个城市,矩阵元素不大于52

else: # 蚂蚁数比城市数多，需要有城市放多个蚂蚁

pathtable[:numcity, 0] = np.random.permutation(range(numcity))[:]

# 先放52个

pathtable[numcity:, 0] = np.random.permutation(range(numcity))[:numant - numcity]

# 再把剩下的放完

# print(pathtable[:,0])

length = np.zeros(numant) # 1*40的数组

#本段程序算出每只/第i只蚂蚁转移到下一个城市的概率

for i in range(numant):

# i=0

visiting = pathtable[i, 0] # 当前所在的城市

# set()创建一个无序不重复元素集合

# visited = set() #已访问过的城市，防止重复

# visited.add(visiting) #增加元素

unvisited = set(range(numcity))

#未访问的城市集合

#剔除重复的元素

unvisited.remove(visiting) # 删除已经访问过的城市元素

for j in range(1, numcity): # 循环numcity-1次，访问剩余的所有numcity-1个城市

# j=1

# 每次用轮盘法选择下一个要访问的城市

listunvisited = list(unvisited)

#未访问城市数,list

probtrans = np.zeros(len(listunvisited))

#每次循环都初始化转移概率矩阵1*52,1*51,1*50,1*49....

#以下是计算转移概率

for k in range(len(listunvisited)):

probtrans[k] = np.power(pheromonetable[visiting][listunvisited[k]], alpha) \

* np.power(etatable[visiting][listunvisited[k]], alpha)

#eta-从城市i到城市j的启发因子 这是概率公式的分母 其中[visiting][listunvis[k]]是从本城市到k城市的信息素

cumsumprobtrans = (probtrans / sum(probtrans)).cumsum()

#求出本只蚂蚁的转移到各个城市的概率斐波衲挈数列

cumsumprobtrans -= np.random.rand()

# 随机生成下个城市的转移概率，再用区间比较

# k = listunvisited[find(cumsumprobtrans > 0)[0]]

k = listunvisited[list(cumsumprobtrans > 0).index(True)]

# k = listunvisited[np.where(cumsumprobtrans > 0)[0]]

# where 函数选出符合cumsumprobtans>0的数

# 下一个要访问的城市

pathtable[i, j] = k

#采用禁忌表来记录蚂蚁i当前走过的第j城市的坐标，这里走了第j个城市.k是中间值

unvisited.remove(k)

# visited.add(k)

#将未访问城市列表中的K城市删去，增加到已访问城市列表中

length[i] += distmat[visiting][k]

#计算本城市到K城市的距离

visiting = k

length[i] += distmat[visiting][pathtable[i, 0]]

# 计算本只蚂蚁的总的路径距离，包括最后一个城市和第一个城市的距离

# print("ants all length:",length)

# 包含所有蚂蚁的一个迭代结束后，统计本次迭代的若干统计参数

lengthaver[iter] = length.mean()

#本轮的平均路径

#本部分是为了求出最佳路径

if iter == 0:

lengthbest[iter] = length.min()

pathbest[iter] = pathtable[length.argmin()].copy()

#如果是第一轮路径，则选择本轮最短的路径,并返回索引值下标，并将其记录

else:

#后面几轮的情况，更新最佳路径

if length.min() > lengthbest[iter - 1]:

lengthbest[iter] = lengthbest[iter - 1]

pathbest[iter] = pathbest[iter - 1].copy()

# 如果是第一轮路径，则选择本轮最短的路径,并返回索引值下标，并将其记录

else:

lengthbest[iter] = length.min()

pathbest[iter] = pathtable[length.argmin()].copy()

#此部分是为了更新信息素

changepheromonetable = np.zeros((numcity, numcity))

for i in range(numant):#更新所有的蚂蚁

for j in range(numcity - 1):

changepheromonetable[pathtable[i, j]][pathtable[i, j + 1]] += Q / distmat[pathtable[i, j]][pathtable[i, j + 1]]

#根据公式更新本只蚂蚁改变的城市间的信息素 Q/d 其中d是从第j个城市到第j+1个城市的距离

changepheromonetable[pathtable[i, j + 1]][pathtable[i, 0]] += Q / distmat[pathtable[i, j + 1]][pathtable[i, 0]]

#首城市到最后一个城市 所有蚂蚁改变的信息素总和

#信息素更新公式p=(1-挥发速率)*现有信息素+改变的信息素

pheromonetable = (1 - rho) * pheromonetable + changepheromonetable

iter += 1 # 迭代次数指示器+1

print("this iteration end：",iter)

# 观察程序执行进度，该功能是非必须的

if (iter - 1) % 20 == 0:

print("schedule:",iter - 1)

#迭代完成

#以下是做图部分

#做出平均路径长度和最优路径长度

fig, axes = plt.subplots(nrows=2, ncols=1, figsize=(12, 10))

axes[0].plot(lengthaver, 'k', marker='*')

axes[0].set_title('Average Length')

axes[0].set_xlabel(u'iteration')

#线条颜色black https://blog.csdn.net/ywjun0919/article/details/8692018

axes[1].plot(lengthbest, 'k', marker='

axes[1].set_title('Best Length')

axes[1].set_xlabel(u'iteration')

fig.savefig('Average_Best.png', dpi=500, bbox_inches='tight')

plt.close()

fig.show()

# 作出找到的最优路径图

bestpath = pathbest[-1]

plt.plot(coordinates[:, 0], coordinates[:, 1], 'r.', marker='>')

plt.xlim([-100, 2000])

#x范围

plt.ylim([-100, 1500])

#y范围

for i in range(numcity - 1):

#按坐标绘出最佳两两城市间路径

m, n = int(bestpath[i]), int(bestpath[i + 1])

print("best_path:",m, n)

plt.plot([coordinates[m][0],coordinates[n][0]], [coordinates[m][1], coordinates[n][1]], 'k')

plt.plot([coordinates[int(bestpath[0])][0],coordinates[int(bestpath[51])][0]], [coordinates[int(bestpath[0])][1],coordinates[int(bestpath[50])][1]] ,'b')

ax = plt.gca()

ax.set_title("Best Path")

ax.set_xlabel('X_axis')

ax.set_ylabel('Y_axis')

plt.savefig('Best Path.png', dpi=500, bbox_inches='tight')

plt.close()

输出图片：

后期，还会补充的。

希望有志同道合的小伙伴关注我的公众平台，欢迎您的批评指正，共同交流进步。