蚁群算法原理与实现(python)

蚁群算法的背景

古有牛顿在苹果树下被苹果砸中发现万有引力，三十年前有人观察蚂蚁觅食发明蚁群算法。蚁群算法是意大利学者Dorigo、Maniezzo等人于20世纪90年代看蚂蚁觅食发明的。蹲在地上看蚂蚁，也能发明新成果，曾经的我咋就光看蚂蚁，给蚂蚁的觅食捣蛋呢。这意大利的大兄弟在看蚂蚁觅食的时候呢，发现单个蚂蚁的行为比较简单，但是蚂蚁群却能体现一些智能行为，比如蚂蚁能在不同环境中，寻找最短的从蚂蚁窝到达食物的路径。经过进一步研究发现，蚂蚁在找食物的路径会留下记号（生物学称之为“信息素”），蚂蚁群里的蚂蚁会根据这个记号，也就是信息素行走，每个蚂蚁都做记号，经过一段时间后，整个蚂蚁群就会找到一个最短的到达食物的路径了。

蚁群算法的思想

蚁群算法具体的思想是什么呢？我是一只小蚂蚁，我要去找食儿。我带上几个兄弟一起走，一起去找事儿。可是食物在哪儿呢？我们也不知。那我们分头行动随机找，记得做标记。过了很久很久之后，我找到了食物，带着食物原路返回告诉大家我找到食物了。在蚂蚁窝里，我和兄弟们分享了找食物的路线，有的长，有的短。这些食物还不够，我们继续又出发。沿着大家新的路径去搬食物。有时候我会走错路，走了弯路；有时候，我走错路，却发现一条捷径。经过一次又一次的外出搬运食物，回到蚂蚁窝，我们找到了一个最方便的路径。这就是蚁群算法的基本思想。

蚁群算法可以很好的解决旅行商问题。所谓旅行商问题，是存在一些城市，旅行商如何从某个城市出发，经过所有城市后返回出发城市的最短路径。

下面用旅行商问题来继续阐述蚁群算法。
1、首先有一组蚂蚁，也就是小蚂蚁和它的兄弟们，从某个城市出发，完成一个城市遍历的路径。
2、当某个小蚂蚁站在人生的十字路口，哦不，是城市交叉路况，那么必须要走向一个城市，如果某个城市越远，那么将更有可能先不走。比如，当小蚂蚁站在天津，有一条路上北京，有一条路去深圳，那么小蚂蚁最有可能先踏上进京之路，因为近啊。
3、当某个城市边际上的记号信息素越多，则更有可能被选中。比如在天津，如果去深圳上记号信息素多，则可能先去深圳，尽管进京之路比较短，这是其他蚂蚁兄弟的记号表示的，相信蚂蚁兄弟。
4、每次回到出发点，蚂蚁兄弟标记在路上的记号信息素会挥发。
这里有两个关键点，即下一个城市的选择和信息素的更新。

现在给出一些数字表示：
城市数量为M，蚁群规模（蚂蚁数量）m、信息素重要程度因子α、启发函数重要程度因子β，即启发式信息的相对重要程度、信息素会发银子ρ、信息素释放总量Q、最大迭代次数iter_max、迭代次数初值iter=1。

小蚂蚁现在位于城市$i$，到其他城市$j$的距离为 $d_{ij}$，信息素浓度为$p_{ij}$，那么小蚂蚁朝哪个城市前进呢。从当前城市$i$到城市$j$的概率是$q_{ij}=p_{ij}^{\alpha }\ast (1/d_{ij}{)}^{\beta }$。
现在小蚂蚁知道了到其他城市的概率，可是该走哪条路呢。小蚂蚁拿出勇闯天涯的雪花啤酒瓶放在地上转个圈，瓶口指向哪个城市就去哪个城市吧。这就是轮盘对赌。把每个城市的转移概率除以所有城市的转移概率之和，那就是该城市被选中的概率，然后随机一个0到1的数，该随机数落到哪个区间就被选中。现在有ABCDE四个城市可以选择，那么可以看到下图里，D城市在所有城市中占据的分量最大，则最有可能被选中。可以参考这里轮盘对赌

当小蚂蚁走完所有的城市，那就对应着一条路径。蚂蚁兄弟也有搜索路径。根据小蚂蚁和蚂蚁兄弟的探路结果，更新下蚂蚁群体对路径的认识，那就是信息素的更新。两个城市之间的信息素更新公式为
$$p_{ij}=\rho \ast p_{ij}+Q/sum$$
其中sum是每个蚂蚁走过的距离之和。

蚁群算法的python实现实例

我们用python的GUI模块Tkinter来验证我们的小蚂蚁是怎么寻找最优路径的。python代码如下：

# -*- coding: utf-8 -*-
# @Time    : 2019/12/25 16:23
# @Author  : HelloWorld！
# @FileName: ant.py
# @Software: PyCharm
# @Operating System: Windows 10
# @Python.version: 3.6


 #城市数量为M，
# 蚁群规模（蚂蚁数量）m、
# 信息素重要程度因子α、
# 启发函数重要程度因子β，即启发式信息的相对重要程度、
# 信息素会发银子ρ、
# 信息素释放总量Q、
# 最大迭代次数iter_max、迭代次数初值iter=1。
import random
import copy
import sys
import math
import tkinter