蚁群算法
蚁群算法,由Marco Dorigo于1992年在他的博士论文中提出,是一种灵感来源于蚂蚁在寻找食物过程中发现路径的行为,用来在图中寻找优化路径的算法。
算法原理
蚂蚁在运动的过程中,会在它所经过的路径上留下一种称之为信息素的物质进行信息传递,而且蚂蚁在运动的过程中能够感知这种物质,并以此指导自己的运动方向,其中信息素浓度与路径长度成反比。 假如此路径已被前蚂蚁走过已经留下了信息素,当后来的蚂蚁经过此位置时,会更可能选择信息素较高的路径,注意是可能不是一定,只是概率更大,然后大量蚂蚁组成的群体行为便展现出一种信息正反馈的现象,某一路径上走的蚂蚁越多,后来者选择该路径概率越大,而信息素浓度与路径长度成反比,最终出现最优路径的概率也越大。
在这里各细节不逐一介绍,在后文的算法步骤种涉及的每一个对象都会详细介绍。
算法特点
- 其原理是一种正反馈机制或者称为增强型学习系统;它通过最优路径上蚂蚁数量增加导致后来蚂蚁选择该路径概率增大达到最终收敛于最优路径。
- 它是一种通用型随机优化方法,它吸收了蚂蚁的行为特征,它使用人工蚂蚁进行仿真。
- 它是一种分布式的优化方法,多个体同时进行搜索,具有本质并行性,大大提高了算法的搜索效率。
- 它是一种启发式算法,不容易陷入局部最优而更容易搜索到全局最优。
- 它是一种全局优化的方法,不仅可以用于求解单目标优化问题,而且可用于求解多目标优化问题。
算法步骤
以TSP问题为例。即在有限个城市内找到路径最短的距离组合。
- 初始化参数
在计算的开始需要对一些相关的参数进行初始化,如:
蚂蚁数量,既然是蚁群算法,我们肯定要拥有自己的蚁群,由它们对问题的解进行搜索,蚂蚁数量根据经验一般设定为目标数的1.5倍比较好,当蚂蚁数量较多时,所有蚂蚁不容易收敛于一个解,而数量较少时,解的效果可能不会让人满意。
信息素重要程度因子,这个参数是指在蚂蚁移动的过程种产生的信息素对蚂蚁的影响程度,比较好理解,参数越大,蚂蚁选择以前走过路径的可能性越大,会使蚁群更容易的收敛,导致搜索的随机性减弱不利于寻找全局最优解,过小的话就没有了信息素的意义,此参数一般为[0,5]之间比较好。
启发函数重要程度因子,它反映了启发式信息在指导蚁群在路径搜索中的相对重要程度,其大小反映的是蚁群寻优过程种先验性、确定性因素作用的强度。当它越大也是更容易导致收敛过快。一般设置为[0,5]。
信息素挥发因子,它是指信息素的消失水平,它的大小直接关系到算法的全局搜索能力和收敛速度,过大导致信息素挥发过快,一些较好的路径会被排除,过小导致路径残留信息素较多,影响算法效率。一般设置为[0.2,0.5]。
信息素常量,它是指蚂蚁在将路径走完时总共释放的信息素数量,它往往和启发函数一起作用,一般设置在[10,1000],问题规模越大信息素越高较好。
迭代次数,它是指整个蚁群累积搜索了多少次,注意蚁群算法在搜索过程种是整个蚁群同时开始搜索,然后此蚁群循环迭代,此参数一般设置为[100,500]之间,迭代次数设置的过高对算法没有实质意义,一般使其能够收敛即可。
- 构建模型
我们要知道目标蚂蚁是在固定的解空间内寻找最优解,首先肯定是将蚂蚁放在各个不同的出发点,然后让蚂蚁根据选择依据选择下一个要访问的城市,这个选择依据我们一般使用轮盘赌的方法,其中第i只蚂蚁到第j个城市的概率为:
P
i
j
=
τ
i
j
α
D
i
j
β
P^{}_{ij}=\frac{{\tau^{}_{ij}}^{\alpha}}{{D^{}_{ij}}^{\beta}}
Pij=Dijβτijα
其中
α
\alpha
α为信息重要程度因子,
β
\beta
β为启发函数重要程度因子,
τ
i
j
{\tau^{}_{ij}}
τij为第i个目标到第j个目标直接的信息素,
D
i
j
{D^{}_{ij}}
Dij表示第i个目标到第j个目标直接的距离。然后让蚂蚁根据此规则进行搜索即可。
- 更新信息素
计算各蚂蚁经过的路径长度,记录当前最优解,之后将路径上的信息素进行更新,新的信息素量等于原本就有的信息素挥发后剩下的量加上此蚂蚁走过留下的信息素。在迭代过程中始终对信息素进行累加,以保证最终蚂蚁能够收敛到最优解。其中增加的信息素为:
Δ
τ
i
j
=
Q
L
\Delta{\tau^{}_{ij}}=\frac{Q}{L}
Δτij=LQ
Q为之前设置的信息素常量,L为蚂蚁走过总距离的长度,增加的信息素保证增加在此蚂蚁走过的所有路径段上。即假如一只蚂蚁走过的路径为:1->5->3->2->4->1,那么在1-5、5-3、3-2、2-4、4-1之间的路径上都要加上
Δ
τ
i
j
\Delta{\tau^{}_{ij}}
Δτij
- 判断算法是否达到迭代次数
这就比较简单了,每当该种群走完之后都判断一下,作为算法停止依据,最终选择当前最优解近似作为全局最优解。
流程图
代码
% 数据准备
% 清空环境变量
clear all;
clc;
close all;
% 程序运行计时开始
t0 = clock;
%导入数据
citys=[1304 2312;3639 1315;4177 2244;3712 1399;3488 1535;3326 1556;3238 1229;...
4196 1044;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 2376;3394 2643;3439 3201;2935 3240;3140 3550;...
2545 2357;2778 2826;2370 2975];
%--------------------------------------------------------------------------
%% 计算城市间相互距离
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; %设定的对角矩阵修正值
end
end
end
%--------------------------------------------------------------------------
%% 初始化参数
m = 75; % 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
vol = 0.2; % 信息素挥发(volatilization)因子
Q = 10; % 信息素总量常系数
Heu_F = 1./D; % 启发函数(heuristic function)
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 = 200; % 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
Limit_iter = 0; % 程序收敛时迭代次数
%-------------------------------------------------------------------------
%% 迭代寻找最佳路径
while iter <= iter_max
% 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
for i = 1:m
% 逐个城市路径选择
for j = 2:n
has_visited = Table(i,1:(j - 1)); % 已访问的城市集合(禁忌表)
allow_index = ~ismember(citys_index,has_visited);
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(has_visited(end),allow(k))^alpha * Heu_F(has_visited(end),allow(k))^beta;
end
P = P/sum(P);
% 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,:);
Limit_iter = 1;
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,:);
Limit_iter = iter;
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-vol) * Tau + Delta_Tau;
% 迭代次数加1,清空路径记录表
iter = iter + 1;
Table = zeros(m,n);
end
%--------------------------------------------------------------------------
%% 结果显示
[Shortest_Length,index] = min(Length_best);
Shortest_Route = Route_best(index,:);
Time_Cost=etime(clock,t0);
disp(['最短距离:' num2str(Shortest_Length)]);
disp(['最短路径:' num2str([Shortest_Route Shortest_Route(1)])]);
disp(['收敛迭代次数:' num2str(Limit_iter)]);
disp(['程序执行时间:' num2str(Time_Cost) '秒']);
%--------------------------------------------------------------------------
%% 绘图
figure(1)
plot([citys(Shortest_Route,1);citys(Shortest_Route(1),1)],... %三点省略符为Matlab续行符
[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(['ACA最优化路径(最短距离:' num2str(Shortest_Length) ')'])
figure(2)
plot(1:iter_max,Length_best,'b')
legend('最短距离')
xlabel('迭代次数')
ylabel('距离')
title('算法收敛轨迹')
%--------------------------------------------------------------------