蚁群算法简介
蚁群算法(Ant Algorithm 简称AA)是近年来刚刚诞生的随机优化方法,它是一种源于大自然的新的仿生类算法。由意大利学者Dorigo最早提出,并首先使用于解决TSP(旅行商问题)。蚂蚁算法主要是通过蚁群之间的信息传递而达到寻优的目的,最初又称蚁群优化方法(Ant Colony optimization 简称ACO)。由于模拟仿真中使用了人工蚂蚁的概念,因此又称蚂蚁系统(Ant System 简称AS)。
蚁群算法原理
蚁群算法的基本原理来源于自然界蚂蚁觅食的最短路径原理,根据昆虫学家的观察,发现自然界的蚂蚁虽然视觉不发达,但它可以在没有任何提示的情况下找到从食物源到巢穴的最短路径,并且能够在环境发生变化(如原有的路径上有了障碍物)之后,自适应的搜索新的最佳路径。
蚁群算法基本流程
1.路径构造
2.信息素更新
蚁群算法优缺点
蚁群算法是一种分布式的本质并行算法,蚁群算法是一种正反馈算法,蚁群算法具有较强的鲁棒性,易于与其他方法结合。但是蚁群算法的收敛速度慢,计算时间长,易于过早陷入局部最优,不利于解决连续问题;蚁群算法目前还带有明显的经验性,很多结果只是建立在实验的基础之上,需要逐步奠定其理论基础。
实验过程
实验代码
%% 旅行商问题(TSP)优化
%% 清空环境变量
clear all
clc
%% 导入数据
load citys_data.mat
%% 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 = 7; % 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)