一、算法原理
蚁群算法是一种仿生学的算法,是由自然界中蚂蚁觅食的行为而启发。当一定路径上通过的蚂蚁越来越多时,其留下的信息素轨迹也越来越多,后来蚂蚁选择该路径的概率也越高,从而更增加了该路径的信息素强度,而强度大的信息素会吸引更多的蚂蚁,从而形成一种正反馈机制。
路径构建
对于每只蚂蚁k,路径记忆向量p按照访问顺序记录了所有k已经经过的城市序号。设蚂蚁k当前所在城市为i,则其选择城市j作为下一个访问对象的概率为:
信息素更新规则
二、算法流程图
三、代码实现及分析
matlab代码实现:
city50=round(randi(5000,50,2)); %随机生成城市
city60=round(randi(5000,60,2));
city80=round(randi(5000,100,2));
save data
分析:随机生成50,60,80个城市
%% 旅行商问题(TSP)优化
%% 清空环境变量
clear all
clc
%% 导入数据
%load data.mat
load data
citys=city40; %城市数据指定为为随机生成的城市数
%% 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));
else
D(i,j) = 1e-4;
end
end
end
%% 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
rho = 0.1; % 信息素挥发因子
Q = 1; % 常系数
Eta = 1./D; % 启发函数
Tau = ones(n,n); % 信息素矩阵
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
%% 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,1);
for i = 1:m
temp = randperm(n);
start(i) = temp(1);
end
Table(:,1) = start;
% 构建解空间
citys_index = 1:n;
% 逐个蚂蚁路径选择(找每个蚂蚁的城市序列)
for i = 1:m
% 逐个城市路径选择
for j = 2:n
tabu = Table(i,1:(j - 1)); % 已访问的城市集合(禁忌表)
allow_index = ~ismember(citys_index,tabu);
allow = citys_index(allow_index); % 待访问的城市集合
P = allow;
% 计算城市间转移概率
for k = 1:length(allow)
P(k) = Tau(tabu(end),allow(k))^alpha * Eta(tabu(end),allow(k))^beta;
end
P = P/sum(P); %归一化
% 轮盘赌法选择下一个访问城市
Pc = cumsum(P);
target_index = find(Pc >= rand);
target = allow(target_index(1));
Table(i,j) = target;
end
end
% 计算各个蚂蚁的路径距离
Length = zeros(m,1);
for i = 1:m
Route = Table(i,:);
for j = 1:(n - 1)
Length(i) = Length(i) + D(Route(j),Route(j + 1));
end
Length(i) = Length(i) + D(Route(n),Route(1));
end
% 计算最短路径距离及平均距离
if iter == 1
[min_Length,min_index] = min(Length);
Length_best(iter) = min_Length;
Length_ave(iter) = mean(Length);
Route_best(iter,:) = Table(min_index,:);
else
[min_Length,min_index] = min(Length);
Length_best(iter) = min(Length_best(iter - 1),min_Length);
Length_ave(iter) = mean(Length);
if Length_best(iter) == min_Length
Route_best(iter,:) = Table(min_index,:);
else
Route_best(iter,:) = Route_best((iter-1),:);
end
end
% 更新信息素
Delta_Tau = zeros(n,n);
% 逐个蚂蚁计算
for i = 1:m
% 逐个城市计算
for j = 1:(n - 1)
Delta_Tau(Table(i,j),Table(i,j+1)) = Delta_Tau(Table(i,j),Table(i,j+1)) + Q/Length(i);
end
Delta_Tau(Table(i,n),Table(i,1)) = Delta_Tau(Table(i,n),Table(i,1)) + Q/Length(i);
end
Tau = (1-rho) * Tau + Delta_Tau;
% 迭代次数加1,清空路径记录表
% figure;
%最佳路径的迭代变化过程
[Shortest_Length,index] = min(Length_best(1:iter));
Shortest_Route = Route_best(index,:);
plot([citys(Shortest_Route,1);citys(Shortest_Route(1),1)],...
[citys(Shortest_Route,2);citys(Shortest_Route(1),2)],'o-');
pause(0.3);
iter = iter + 1;
Table = zeros(m,n);
% end
end
%% 结果显示
[Shortest_Length,index] = min(Length_best);
Shortest_Route = Route_best(index,:);
disp(['最短距离:' num2str(Shortest_Length)]);
disp(['最短路径:' num2str([Shortest_Route Shortest_Route(1)])]);
%% 绘图
figure(1)
plot([citys(Shortest_Route,1);citys(Shortest_Route(1),1)],...
[citys(Shortest_Route,2);citys(Shortest_Route(1),2)],'o-');
grid on
for i = 1:size(citys,1)
text(citys(i,1),citys(i,2),[' ' num2str(i)]);
end
text(citys(Shortest_Route(1),1),citys(Shortest_Route(1),2),' 起点');
text(citys(Shortest_Route(end),1),citys(Shortest_Route(end),2),' 终点');
xlabel('城市位置横坐标')
ylabel('城市位置纵坐标')
title(['蚁群算法优化路径(最短距离:' num2str(Shortest_Length) ')'])
figure(2)
plot(1:iter_max,Length_best,'b',1:iter_max,Length_ave,'r:')
legend('最短距离','平均距离')
xlabel('迭代次数')
ylabel('距离')
title('各代最短距离与平均距离对比')
分析:
先将数据读入程序,对相关参数进行初始化,包括蚁群数量m=50、信息素重要程度因子α=1、启发函数重要程度因子β=5、信息素挥发因子ρ=0.1、信息素常数、最大迭代次数,随机将蚂蚁放于不同出发点,轮赌博法选择其下个访问城市,直到所有蚂蚁访问完所有城市。再计算各蚂蚁经过的路径长度,记录当前迭代次数最优解,同时对路径上的信息素浓度进行更新。达到最大迭代次数后,输出结果,并根据需要输出在最短距离、最短路径,并绘制路线图。
结果显示:
参数设置——信息素重要程度因子α
基本参数:城市数量citys=50 ;蚂蚁数量m=50;迭代次数150次
α=1 ,β=5,ρ=0.1
α=2 ,β=5,ρ=0.1
α=3 ,β=5,ρ=0.1
α=4,β=5,ρ=0.1
分析:由图和表可知,当α增大,运行时间增大,算法全局搜索能力下降,搜索随机性减弱,说明蚂蚁选择以前走过的路径概率大,因而算法收敛速度变快。信息素重要程度因子反映了蚂蚁在移动过程中所积累的信息量在指导蚁群搜索中的相对重要程度。此例中,α取1最合适,达最短距离。
参数设置——启发函数重要程度因子β
α=1,β=2,ρ=0.1
α=1,β=3,ρ=0.1
α=1,β=4,ρ=0.1
α=1,β=5,ρ=0.1
α=1,β=7,ρ=0.1
α=1,β=10,ρ=0.1
α=2,β=2,ρ=0.1
α=2,β=3,ρ=0.1
α=2,β=4,ρ=0.1
α=2,β=5,ρ=0.1
α=2,β=7,ρ=0.1
α=2,β=10,ρ=0.1
分析:由结果图和数据表可知,当β取值过小时,收敛速度较快,陷入随机搜索,结果显示最短距离在β=2、3时,较β=4、5时大,说明β取值过小,难以找到最优解。β取值过大时,收敛速度变慢,运行时间变长,但容易陷入局部最优。当取α=1,β=5,ρ=0.1时,达到最短距离26857.4757,所以取β=5较合适。
参数设置——信息素挥发因子ρ
α=1,β=5,ρ=0.1
α=1,β=5,ρ=0.2
α=1,β=5,ρ=0.3
α=1,β=5,ρ=0.5
α=1,β=5,ρ=0.7
分析:当ρ较大时,信息素挥发速率大,算法收敛速度较快,算法全局搜索能力下降,ρ=0.7时,仅迭代到20次左右,算法得到的最短距离已趋于稳定,则最短距离难以达到最优。当ρ较小时,信息素挥发速率小,算法具有较高的全局搜索能力,收敛速度较慢。说明ρ的大小直接关系到蚁群算法的全局搜索能力和收敛速度。
四、小结
蚁群算法涉及到的参数较多,参数的设置对蚁群算法的搜索性能有较大的影响。信息素重要程度因子α反映了蚂蚁在移动过程中所积累的信息量在指导蚁群搜索中的相对重要程度,启发函数重要程度因子β反映了启发式信息在指导蚁群搜索过程中的相对重要程度,信息素挥发因子ρ的大小直接关系到蚁群算法的全局搜索能力和收敛速度。本例中α=1,β=5,ρ=0.1时,得到最优结果,最短距离为26857.4757。