ACO蚁群算法全局路径规划

作者：赤戟
链接：https://www.zhihu.com/question/20207322/answer/27387066
来源：知乎
著作权归作者所有。商业转载请联系作者获得授权，非商业转载请注明出处。

蚁群算法是一种近似算法，它不是用来解决已存在精确有效算法的问题的，而是用来解决至今没有找到精确的有效算法的问题的，比如旅行商问题（TSP）。

旅行商问题也可以说是求“最短路径”，但它是求一个完全图的最小哈密顿圈，这个问题至今未找到多项式时间算法，属于NPC问题，也就是说，当问题规模稍大一点，现有的精确算法的运算量就会急剧增加
 

蚁群算法的优势在哪里？

要明白这个问题，就要搞清楚算法是用来干什么的？

算法就是用来解决各类问题的，比如题主问题中的最短路径问题。

在数学领域，根据问题本身的复杂度是有分类的。

简单来说，问题分为P问题，NP问题，NPC问题，NP-hard问题。

P是多项式这个单词的首写字母，即Polynomial，【这里指多项式时间】

P问题意为 总能找到相应的经典算法 在多项式时间 里面得出最优解。

NP问题意为 不能确定是否能找到相应算法 能够在多项式时间内 得出最优解。

NPC问题可以理解成NP问题中最难（复杂度最高）的问题，也就是说很难找到相应算法 能够在多项式时间内得出最优解。

NP-hard问题可以简单理解成找不到相应算法 能够在多项式时间内得出最优解。

所有对NP问题的研究都集中在一个问题上，即究竟是否有P=NP？通常所谓的“NP问题”，其实就一句话：证明或推翻P=NP。目前进度不理想，不多说了。四者之间的关系，有兴趣看图，没兴趣跳过，不影响。

搞清楚问题的分类就很简单了，这些问题影响了计算机算法的研究方向。

简单来说就是，传统的经典算法能够解决P类问题，而NP问题，特别是NPC问题，则束手无策，于是科学家们开始想办法了，既然不能在多项式时间里得出一个最优解，那么咱们得一个较优解吧，用先验的经验知识作为启发算子，于是启发式算法诞生了，但启发式算法只能针对特定问题（比如，prime算法和kruskal算法都是经典启发式算法，在最小生成树领域比较好的效果），启发式算法不适合跨领域，但NP问题又如此之多，怎么办，于是各种仿生学理论开始引入计算机的算法领域，诞生了所谓的蚁群，粒子群，遗传，神经网络算法这些统称智能优化算法（元启发式算法）的来求较优解。

算法介绍：

 蚁群算法(Ant Colony Algorithm,ACA)于1992年在首次提出，‘该算法模拟了自然界中蚂蚁的觅食行为。

蚂蚁在寻找食物源时，会在其经过的路径上释放一种信息素,并能够感知其它蚂蚁释放的信息素。信息素浓度的大小表征路径的远近,信息素浓度越高，表示对应的路径距离越短。

通常，蚂蚁会以较大的概率优先选择信息素浓度较高的路径，并∶释放一定量的信息素，以增强该条路径上的信息素浓度,这样，会形成一个正反馈。最终，蚂蚁能够找到一条从巢穴到食物源的i最佳路径，即距离最短。

算法思想：
用蚂蚁的行走路径表示待优化问题的可行解，整个蚂蚁群体的所有路径构成待优化问题的解空间。
路径较短的蚂蚁释放的信息素量较多，随着时间的推进，较短的路径上累积的信息素浓度逐渐增高,选择该路径的蚂蚁个数也愈:来愈多。
最终，整个蚂蚁会在正反馈的作用下集中到最佳的路径上，此时对应的便是待优化问题的最优解。
但是并不是信息素浓度高就一定走那一条路线。也有几率走信息度浓度低的路线。

具体算法： 

 

参数作用：

蚂蚁数量：种群数量越多，得到的最优解就越精确,但是会有大量蚂蚁重复路过同一路径,运行时间增多。
alpha  信息素重要程度因子：alpha值过大,蚂蚁选择之前走过的路径可能性就越大,蚁群搜索路径的随机性减弱。alpha值过小,蚁群搜索范围就会减少,易陷入局部最优解。
beta 启发函数因子：beta值增大,蚁群更容易选择局部较短路径,能加快算法的运行速度,但是可能陷入局部最优解。
ruo 信息素挥发因子：当ruo很小的时候，每条路径的残留信息很多，就会反复进行搜索，运算时间增加；ruo很大的时候,会放弃搜索很多有效路径,可能会丢失最优值。
Q 信息度强度

关键代码如下：

#生成蚁群
def get_ants(self, num_city):
    for i in range(self.m):
        start = np.random.randint(num_city - 1)
        self.Table[i][0] = start
        unvisit = list([x for x in range(num_city) if x != start])
        current = start
        j = 1
        while len(unvisit) != 0:
            P = []
            # 通过信息素计算城市之间的转移概率
            for v in unvisit:
                P.append(self.Tau[current][v] ** self.alpha * self.Eta[current][v] ** self.beta)
            P_sum = sum(P)
            P = [x / P_sum for x in P]
            # 轮盘赌选择一个一个城市
            index = self.rand_choose(P)
            current = unvisit[index]
            self.Table[i][j] = current
            unvisit.remove(current)
            j += 1


# 更新信息素
def update_Tau(self):
    delta_tau = np.zeros([self.num_city, self.num_city])
    paths = self.compute_paths(self.Table)
    for i in range(self.m):
        for j in range(self.num_city - 1):
            a = self.Table[i][j]
            b = self.Table[i][j + 1]
            delta_tau[a][b] = delta_tau[a][b] + self.Q / paths[i]
        a = self.Table[i][0]
        b = self.Table[i][-1]
        delta_tau[a][b] = delta_tau[a][b] + self.Q / paths[i]
    self.Tau = (1 - self.rho) * self.Tau + delta_tau


def aco(self):
        best_lenth = math.inf  # math.inf返回浮点正无穷大
        best_path = None
        for cnt in range(self.iter_max):
            # 生成新的蚁群
            self.get_ants(self.num_city)  # out>>self.Table
            self.paths = self.compute_paths(self.Table)
            # 取该蚁群的最优解
            tmp_lenth = min(self.paths)
            tmp_path = self.Table[self.paths.index(tmp_lenth)]
            # 可视化初始的路径
            if cnt == 0:
                init_show = self.location[tmp_path]
                init_show = np.vstack([init_show, init_show[0]])
            # 更新最优解
            if tmp_lenth < best_lenth:
                best_lenth = tmp_lenth
                best_path = tmp_path
            # 更新信息素
            self.update_Tau()

            # 保存结果
            self.iter_x.append(cnt)
            self.iter_y.append(best_lenth)
            print(cnt, best_lenth)
        return best_lenth, best_path

代码讲解：

代码主要操作是先生成蚁群，让每个蚂蚁寻找路径，计算概率P并用轮盘赌方式记录每个蚂蚁的路径Table。计算每个蚂蚁的路径，取最短路径。然后更新信息素，这里主要操作时计算ΔTau，而ΔTau的选择只是针对路径而言，所以对每个蚂蚁走过都要计算一遍，最后根据挥发原理公式跟新Tau。