基于改进的蚂蚁群算法求解最短路径问题、二次分配问题、背包问题【Matlab&Python代码实现】

👨‍🎓博主课外兴趣：中西方哲学，送予读者：

👨‍💻做科研，涉及到一个深在的思想系统，需要科研者逻辑缜密，踏实认真，但是不能只是努力，很多时候借力比努力更重要，然后还要有仰望星空的创新点和启发点。在我这个专栏记录我有空时的一些哲学思考和科研笔记：科研和哲思。建议读者按目录次序逐一浏览，免得骤然跌入幽暗的迷宫找不到来时的路，它不足为你揭示全部问题的答案，但若能让人胸中升起一朵朵疑云，也未尝不会酿成晚霞斑斓的别一番景致，万一它居然给你带来了一场精神世界的苦雨，那就借机洗刷一下原来存放在那儿的“真理”上的尘埃吧。

     或许，雨过云收，神驰的天地更清朗.......🔎🔎🔎

📋📋📋本文目录如下：⛳️⛳️⛳️

​

目录

1 知识点

 1.1 蚁群算法步骤

1.2 蚁群算法程序

2 蚂蚁算法求解最短路径问题——Python实现

2.1 源码实现

2.2  ACA_TSP实现

3 蚂蚁算法求解最短路径问题——运行结果

4 蚂蚁算法求解二次指派问题——运行结果

5 蚂蚁算法求解背包问题——运行结果

6 改进蚂蚁算法——BP神经网络蚂蚁优化算法

7 Matlab代码实现

1 知识点

详细知识点见：智能优化算法—蚁群算法（Python实现）

我们这一节知识点只讲蚁群算法求解最短路径步骤及流程。

 1.1 蚁群算法步骤

     设蚂蚁的数量为m，地点的数量为n，地点i与地点j之间相距Dij，t时刻地点i与地点j连接的路径上的信息素浓度为Sij,初始时刻每个地点间路径上的信息素浓度相等。

   蚂蚁k根据各个地点间连接路径上的信息素决定下一个目标地点，Pijk表示t时刻蚂蚁k从地点i转移的概率，概率计算公式如下：

上式中，为启发函数，，表示蚂蚁从地点i转移到地点j的期望程度；为蚂蚁k即将访问地点的集合，开始时中有n-1个元素（除出发地点），随时间的推移，蚂蚁每到达下一个地点，中的元素便减少一个，直至空集，即表示所有地点均访问完毕；a为信息素重要程度因子，值越大，表明信息素的浓度在转移中起到的作用越大，也就是说蚂蚁选择距离近的下一个地点的概率更大，β为启发函数重要程度因子。

 蚂蚁在释放信息素的同时，每个地点间连接路径上的信息素逐渐消失，用参数

 表示信息素的挥发程度。因此，当所有蚂蚁完成一次循环后，每个地点间连接路径上的信息素浓度需更新，也就是有蚂蚁路过并且留下信息素，有公式表示为：

其中，表示第k只蚂蚁在地点i与j连接路径上释放的信息素浓度；表示所有蚂蚁在地点i与j连接路径上释放的信息素浓度之和；Q为常数，表示蚂蚁循环一次所释放的信息素总量；Lk表示第k只蚂蚁经过路径的长度，总的来说，蚂蚁经过的路径越短，释放的信息素浓度越高，最终选出最短路径。 

1.2 蚁群算法程序

(1)参数初始化

在寻最短路钱，需对程序各个参数进行初始化，蚁群规模m、信息素重要程度因子α、启发函数重要程度因子β、信息素会发因子、最大迭代次数ddcs_max，初始迭代值为ddcs=1。

(2)构建解空间

将每只蚂蚁随机放置在不同的出发地点，对蚂蚁访问行为按照公式计算下一个访问的地点，直到所有蚂蚁访问完所有地点。

(3)更新信息素

计算每只蚂蚁经过的路径总长Lk,记录当前循环中的最优路径，同时根据公式对各个地点间连接路径上的信息素浓度进行更新。

(4)判断终止

迭代次数达到最大值前，清空蚂蚁经过的记录，并返回步骤(2)。

2 蚂蚁算法求解最短路径问题——Python实现

2.1 源码实现

智能优化算法—蚁群算法（Python实现）

2.2  ACA_TSP实现

补充知识点：scipy.spatial.distance.cdist

#============导入相关库=================
import numpy as np
from scipy import spatial
import pandas as pd
import matplotlib.pyplot as plt
from sko.ACA import ACA_TSP

num_points = 25

points_coordinate = np.random.rand(num_points, 2)  # 生成点的坐标
distance_matrix = spatial.distance.cdist(points_coordinate, points_coordinate, metric='euclidean')#函数用于计算两个输入集合的距离


def cal_total_distance(routine):
    num_points, = routine.shape
    return sum([distance_matrix[routine[i % num_points], routine[(i + 1) % num_points]] for i in range(num_points)])


#=============ACA_TSP解决==================================

aca = ACA_TSP(func=cal_total_distance, n_dim=num_points,
              size_pop=50, max_iter=200,
              distance_matrix=distance_matrix)

best_x, best_y = aca.run()

#=============可视化=======================

fig, ax = plt.subplots(1, 2)
best_points_ = np.concatenate([best_x, [best_x[0]]])
best_points_coordinate = points_coordinate[best_points_, :]
ax[0].plot(best_points_coordinate[:, 0], best_points_coordinate[:, 1], 'o-r')
pd.DataFrame(aca.y_best_history).cummin().plot(ax=ax[1])
plt.show()

       

3 蚂蚁算法求解最短路径问题——运行结果

 

4 蚂蚁算法求解二次指派问题——运行结果

      在社会网络分析中，有一种方法用来研究关系之间的关系，通俗来讲，就是研究两个方阵的相关性和回归性。这种方法叫做QAP(Quadratic Assignment Procedure，二次指派程序)。它对两个方阵各个格值的相似性进行比较，给出两个矩阵之间的相关系数，同时对系数进行非参数检验，它以对矩阵数据的置换为基础。

          QAP与其他标准的统计程序的不同之处在于，矩阵的各个值之间不相互独立，因此用许多标准的统计程序就不能对其进行参数估计和统计检验，否则会计算出错误的标准差。对于这个问题，学者们利用一种随机化检验方法（randomization test）来检验，QAP属于其中一种。

 

5 蚂蚁算法求解背包问题——运行结果

6 改进蚂蚁算法——BP神经网络蚂蚁优化算法

7 Matlab代码实现