蚁群优化算法与旅行商问题

蚁群优化算法与旅行商问题

一、蚁群算法简介

蚁群算法(ant colony optimization, ACO)

又称蚂蚁算法，是一种用来在图中寻找优化路径的机率型算法。它由Marco Dorigo于1992年在他的博士论文中提出，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。蚁群算法是一种模拟进化算法，初步的研究表明该算法具有许多优良的性质。
ACO当前发展趋势
●1、动态问题，在问题求解过程中，它的实例数据，例如目标函数值、决策参数、约束条件都在发生变化。
●2、随机问题，在这类问题中，由于不确定性、噪音、近似性或其他因素，人们只能得到目标函数值、决策参数值与约束条件的概率信息。
●3、多目标问题，其中使用设个多目标函数作为评估解质量的标准。

二、蚁群算法规则

环境
蚂蚁所在的环境是一个虚拟的世界，其中有障碍物，有别的蚂蚁，还有信息素，信息素有两种，每个蚂蚁都仅仅能感知它范围内的环境信息。环境以一定的速率让信息素消失。
觅食规则
在每只蚂蚁能感知的范围内寻找是否有食物，如果有就直接过去。否则看是否有信息素，并且比较在能感知的范围内哪一点的信息素最多，这样，它就朝信息素多的地方走，蚂蚁找窝的规则和上面一样，只不过它对窝的信息素做出反应，而对食物信息素没反应。
移动规则
每只蚂蚁都朝向信息素最多的方向移，并且，当周围没有信息素指引的时候，蚂蚁会按照自己原来运动的方向惯性的运动下去，并且，在运动的方向有一个随机的小的扰动。为了防止蚂蚁原地转圈，它会记住刚才走过了哪些点，如果发现要走的下一点已经在之前走过了，它就会尽量避开。
避障规则
如果蚂蚁要移动的方向有障碍物挡住，它会随机的选择另一个方向，并且有信息素指引的话，它会按照觅食的规则行为。
信息素规则
每只蚂蚁在刚找到食物或者窝的时候撒发的信息素最多，并随着它走远的距离，播撒的信息素越来越少。

三、旅行商问题思路

●构建图:构建图与问题描述图是一 致的，成份的集合C对应着点的集合(即: C=N)，连接对应着边的集合(即L=4) ,且每一条边都带有-一个权值，代表点i和j之间的距离。
●约束条件:所有城市都要被访问且每个城市最多只能被访问一次。
●信息素和启发式信息: TSP问题中的信息素表示在访问城市i后直接访问城市j的期望度。启发式信息值一般与城市和城市j的距离成反比。
●解的构建:每只蚂蚁最初都从随机选择出来的城市出发，每经过一次迭代蚂蚁就向解中添加一个还没有访问过的城市。当所有城市都被蚂蚁访问过之后，解的构建就终止。

四、旅行商问题解决流程

具体实现

在具体实现上，假设对于旅行商问题而言，我们可以先定义数个固定的城市的坐标，然后分别计算彼此之间的距离，得到一个对称矩阵。
然后，我们再定义足量的蚂蚁（城市数量相同），按照相对随机的方式来选择城市的行走（但是不可以走重复的城市），并对最优路径长度进行记录。在走过之后，会对路径的信息素进行更新，包括对路径的信息素进行添加并计算路径蒸发的信息素。
将蚂蚁重新归位，然后再根据信息素的浓度，以此来寻找下一个所要到达城市，并对最优路径长度进行更新。
当整个算法的迭代次数达到了我们所要求的次数后，我们就可以停止算法，并且可以得到结论：目前找到的路径为最优路径。

AS算法对TSP的求解主要两大步骤

1、路径构建
2、信息素更新

五、旅行商和蚁群问题流程图

六、旅行商算法代码块（ACO.m）

%% 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 = 4;                           % 信息素重要程度因子
beta = 8;                            % 启发函数重要程度因子
rho = 0.5;                           % 信息素挥发因子
Q = 1;                               % 常系数
Eta = 1./D;                          % 启发函数
Tau =