文章目录
一.蚁群算法基本原理
蚁群算法(AG)是一种模拟蚂蚁觅食行为的模拟优化算法,它是由意大利学者Dorigo M等人于1991年首先提出,并首先使用在解决TSP(旅行商问题)上。之后,又系统研究了蚁群算法的基本原理和数学模型。
其基本原理:
1、蚂蚁在路径上释放信息素。
2、碰到还没走过的路口,就随机挑选一条路走。同时,释放与路径长度有关的信息素。
3、信息素浓度与路径长度成反比。后来的蚂蚁再次碰到该路口时,就选择信息素浓度较高路径。
4、最优路径上的信息素浓度越来越大。
5、最终蚁群找到最优寻食路径。
二.基于TSP问题的基本蚁群算法
TSP求解中,假设蚁群算法中的每只蚂蚁是具有以下特征的简单智能体:
每次周游,每只蚂蚁在其经过的支路(i,j)上都留下信息素。
‚蚂蚁选择城市的概率与城市之间的距离和当前连接支路上所包含的信息素余量有关。
ƒ为了强制蚂蚁进行合法的周游,直到一次周游完成后,才允许蚂蚁游走已访问过的城市(这可由禁忌表来控制)。
基本蚁群的最重要的两个过程:
(1)状态转移
(2)信息素更新
(1)状态转移
为了避免残留信息素过多而淹没启发信息,在每只蚂蚁走完一步或者完成对所有n个城市的遍历(也即一个循环结束)后,要对残留信息进行更新处理。
由此,t+n时刻在路径(i,j)上的信息量可按如下规则进行调整:
(2)信息素更新模型
蚁周模型(Ant-Cycle模型)
蚁量模型(Ant-Quantity模型)
蚁密模型(Ant-Density模型)
区别:
1.蚁周模型利用的是全局信息,即蚂蚁完成一个循环后更新所有路径上的信息素;
2.蚁量和蚁密模型利用的是局部信息,即蚂蚁完成一步后更新路径上的信息素。
下面的代码用的是蚁量模型来更新信息素。
三.代码验证学习
导入数据:随机生成36行2列的数据作为36个点的横坐标和纵坐标
这36个点代表着36个不同的城市。
%% 导入数据
citys=round(1000*rand(36,2));
save citys;
load citys;
重要参数的初始化:
%% 初始化参数
fprintf('Initializing Parameters... \n');
m = 50; % 蚂蚁数量
alpha = 1; % 信息素重要程度因子
beta = 5; % 启发函数重要程度因子 权衡信息素和距离谁更重要 可以探讨这两个如果变化的区别
rho = 0.1; % 信息素挥发因子 能经过多少代就能有更少的迭代次数 为什么 三个参数改变和迭代的关系
Q = 1; % 常系数
Eta = 1./D; % 启发函数
Tau = ones(n,n); % 信息素矩阵 记录第i个城市到第j个城市的信息素
Table = zeros(m,n); % 路径记录表
iter = 1; % 迭代次数初值
iter_max = 150; % 最大迭代次数
Route_best = zeros(iter_max,n); % 各代最佳路径
Length_best = zeros(iter_max,1); % 各代最佳路径的长度
Length_ave = zeros(iter_max,1); % 各代路径的平均长度
城市间的距离计算:欧式距离
%% 计算城市间相互距离
fprintf('Computing Distance Matrix... \n');
n = size(citys,1);
D = zeros(n,n);
for i = 1:n
for j = 1:n
if i ~= j
D(i,j) = sqrt(sum((citys(i,:) - citys(j,:)).^2)); %欧式距离计算两个城市的距离
else
D(i,j) = 1e-4;
end
end
end
迭代寻找最佳路径:
%% 迭代寻找最佳路径
figure;
while iter <= iter_max
fprintf('迭代第%d次\n',iter);
% 随机产生各个蚂蚁的起点城市
start = zeros(m,