蚁群算法
蚁群算法(Ant Algorithm简称AA)是近年来刚刚诞生的随机优化方法,它是一种源于大自然的新的仿生类算法。由意大利学者Dorigo最早提出,蚂蚁算法主要是通过蚂蚁群体之间的信息传递而达到寻优的目的,最初又称蚁群优化方法(Ant Colony Optimization简称ACO)。由于模拟仿真中使用了人工蚂蚁的概念,因此亦称蚂蚁系统(Ant System,简称AS)
简介
蚁群算法模拟自然界蚂蚁群体的觅食行为,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越来越多。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。
这种优化过程的本质在于:
- 选择机制:信息素越多的路径,被选择的概率越大。
- 更新机制:路径上面的信息素会随蚂蚁的经过而增长,而且同时也随时间的推移逐渐挥发消失。
- 协调机制:蚂蚁间实际上是通过分泌物来互相通信、协同工作的。
蚁群算法正是充分利用了选择、更新和协调的优化机制,即通过个体之间的信息交流与相互协作最终找到最优解,使它具有很强的发现较优解的能力。
原理
蚁群算法的基本原理:
-
蚂蚁在路径上释放信息素。
-
碰到还没走过的路口,就随机挑选一条路走。同时,释放与路径长度有关的信息素。
-
信息素浓度与路径长度成反比。后来的蚂蚁再次碰到该路口时,就选择信息素浓度较高路径。
-
最优路径上的信息素浓度越来越大。
-
最终蚁群找到最优寻食路径。
用数学语言描述这一过程:
-
初始时刻,各节点上的信息素浓度相同。
-
蚂蚁k根据各城市连接路径的信息素浓度确定其下一个访问城市。t时刻蚂蚁k从城市i转移到j的概率:
P i k = { [ τ i ( t ) ] α ⋅ [ η i j ( t ) ] ρ ∑ s ∈ allow k [ τ i s ( t ) ] α ⋅ [ η i s ( t ) ] β , s ∈ allow k 0 , s ∉ allow k P_{i}^{k}=\left\{\begin{array}{ll} {\frac{\left[\tau_{i}(t)\right]^{\alpha} \cdot\left[\eta_{i j}(t)\right]^{\rho}}{\sum_{s \in \text {allow}_{k}}\left[\tau_{i s}(t)\right]^{\alpha} \cdot\left[\eta_{i s}(t)\right]^{\beta}},} & {s \in \text {allow}_{k}} \\ {0 ,} & {\mathrm{s} \notin \text {allow}_{k}} \end{array}\right. Pik={∑s∈allowk[τis(t)]α⋅[ηis(t)]β[τi(t)]α⋅[ηij(t)]ρ,0,s∈allowks∈/allowk
其中 η i j ( t ) \eta_{i j}(t) ηij(t)为启发函数, η i j ( t ) = 1 / d i j \eta_{i j}(t)=1/d_{i j} ηij(t)=1/dij,表示蚂蚁从节点i转移到节点k的期望程度。 a l l o w k {allow}_{k} allowk为蚂蚁待访问的城市的集合, α \alpha α为信息素重要程度因子,其值越大,表示信息素浓度在转移过程中起的作用越大; β \beta β为启发函数重要因子,其值越大,表示启发函数在转移过程中起的作用越大,即蚂蚁倾向于去往较近的城市。将各个蚂蚁随机置于不同出发点,对每个蚂蚁k,计算其下一个访问的城市,直到所有蚂蚁访问过所有的城市。
-
更新信息素
计算每个蚂蚁经过的路径长度L,记录目前的最短路径,同时更新路径上的信息素。
为了避免残留信息素过多而淹没启发信息,在每只蚂蚁走完一步或者完成对所有n个城市的遍历(也即一个循环结束)后,要对残留信息进行更新处理。由此, t + n t+n t+n时刻在路径 ( i , j ) (i,j) (i,j)上的信息量可按如下规则进行调整:
τ i j ( t + n ) = ( 1 − ρ ) ∙ τ i j ( t ) + Δ τ i j ( t ) Δ τ i j ( t ) = ∑ k = 1 m Δ τ i j k ( t ) \begin{aligned} &\tau_{i j}(t+n)=(1-\rho) \bullet \tau_{i j}(t)+\Delta \tau_{i j}(t)\\ &\Delta \tau_{ij}(t)=\sum_{k=1}^{m} \Delta \tau_{ij}^{k}(t) \end{aligned} τij(t+n)=(1−ρ)∙τij(t)+Δτij(t)Δτij(t)=k=1∑mΔτijk(t)
其中 Δ τ i j k ( t ) \Delta \tau_{ij}^{k}(t) Δτijk(t) 表示第k只蚂蚁在i与j链接路径上释放的信息素浓度, Δ τ i j ( t ) \Delta \tau_{ij}(t) Δτij(t)表示所有蚂蚁在i与j链接路径上释放的信息素浓度之和, ρ \rho ρ表示挥发程度。 -
判断是否终止
若达到最大迭代次数,终止。否则清空 a l l o w k allow_k allowk,回到步骤2.
关于蚁群算法中释放信息素的特点,有三种模型:
- ant cycle system模型:每只蚂蚁在整个路径上释放的信息素总量一定。
- ant quantity system模型:每只蚂蚁在相邻城市路径上释放的信息素总量一定。
- ant density system模型:无论距离长短,释放量相同
各参数的取值范围:
- α : [ 0 , 5 ] \alpha:[0,5] α:[0,5]
- β : [ 0 , 5 ] \beta:[0,5] β:[0,5]
- ρ : [ 0.1 , 0.99 ] \rho:[0.1,0.99] ρ:[0.1,0.99]
实例
用蚁群算法解决TSP问题。
清空环境变量
clear;
clc;
导入数据
citys= [[1304,2312];[3639,1315];[4177,2244];[3712,1399];[3488,1535];[3326,1556];[3238,1229];[4196,1004];[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];[3507,2367];[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(((citys(i,1) - citys(j,1))^2)+((citys(i,2) - citys(j,2))^2));
else
D(i,j) = 0;
end
end
end
初始化参数
m = 50; % 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
rho = 0.1; % 信息素挥发因子
Q = 1; % 常系数(信息素释放量)
Eta = 1./D; % 启发函数
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
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
tabu = Table(i,1:(j - 1)); % 已访问的城市集合
allow_index = ~ismember(citys_index,tabu);
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(tabu(end),allow(k))^alpha * Eta(tabu(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,:);
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,:);
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-rho) * 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,:);
disp(['最短距离:' num2str(Shortest_Length)]);
disp(['最短路径:' num2str([Shortest_Route Shortest_Route(1)])]);
------------------------------------------------------------
最短距离:15828.7082
最短路径:15 14 12 13 11 23 16 4 2 5 6 7 8 9 10 3 18 17 19 24 25 20 21 22 26 28 27 30 31 29 1 15
绘图
figure(1)
plot([citys(Shortest_Route,1);citys(Shortest_Route(1),1)],...
[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(['蚁群算法优化路径(最短距离:' num2str(Shortest_Length) ')'])
figure(2)
plot(1:iter_max,Length_best,'b',1:iter_max,Length_ave,'r:')
legend('最短距离','平均距离')
xlabel('迭代次数')
ylabel('距离')
title('各代最短距离与平均距离对比')