TSP_旅行商问题-基本蚁群算法学习

一、相关学习博客

理论基础

注意点，补充点

小数据C++实现代码

二、群蚁算法说明

1.TSP问题的人工蚁群算法中，假设m只蚂蚁在图的相邻节点间移动，从而协作异步地得到问题的解。每只蚂蚁的一步转移概率由图中的每条边上的两类参数决定：1. 信息素值也称信息素痕迹。2.可见度，即先验值。

2.信息素的更新方式有2种，一是挥发，也就是所有路径上的信息素以一定的比率进行减少，模拟自然蚁群的信息素随时间挥发的过程；二是增强，给评价值“好”(有蚂蚁走过)的边增加信息素。

3.蚂蚁向下一个目标的运动是通过一个随机原则来实现的，也就是运用当前所在节点存储的信息，计算出下一步可达节点的概率，并按此概率实现一步移动，逐此往复，越来越接近最优解。

4.蚂蚁在寻找过程中，或者找到一个解后，会评估该解或解的一部分的优化程度，并把评价信息保存在相关连接的信息素中。 

三、注意知识点

        初始化信息素浓度C(0)，如果太小，算法容易早熟，蚂蚁会很快集中到一条局部最优路径上来，因为可以想想，太小C值，使得和每次挥发和增强的值都差不多，那么 随机情况下，一些小概率的事件发生就会增加非最优路径的信息素浓度；如果C太大，信息素对搜索方向的指导性作用减低，影响算法性能。一般情况下，我们可以使用贪婪算法获取一个路径值Cnn，然后根据蚂蚁个数来计算C(0) = m/Cnn ,m为蚂蚁个数。

（ps:贪心算法：在对问题求解时，总是做出在当前看来是最好的选择。也就是说，不从整体最优上加以考虑，他所做出的仅是在某种意义上的局部最优解。）

        跟着蚂蚁的踪迹，你找到了什么？通过上面的原理叙述和实际操作，我们不难发现蚂蚁之所以具有智能行为，完全归功于它的简单行为规则，而这些规则综合起来具有下面两个方面的特点：
1、多样性
2、正反馈
        多样性保证了蚂蚁在觅食的时候不置走进死胡同而无限循环，正反馈机制则保证了相对优良的信息能够被保存下来。多样性保证了系统的创新能力，正反馈保证了优良特性能够得到强化，两者要恰到好处的结合。如果多样性过剩，也就是系统过于活跃，这相当于蚂蚁会过多的随机运动，它就会陷入混沌状态；而相反，多样性不够，正反馈机制过强，那么系统就好比一潭死水。

        错误概率表示这个蚂蚁不往信息素最大的区域走的概率，越大则表示这个蚂蚁越有创新性。
        速度半径表示蚂蚁一次能走的最大长度，也表示这个蚂蚁的感知范围。
        记忆能力表示蚂蚁能记住多少个刚刚走过点的坐标，这个值避免了蚂蚁在本地打转，停滞不前。而这个值越大那么整个系统运行速度就慢，越小则蚂蚁越容易原地转圈。

【注1】更新选择的路径上的信息素方式为为 

messijmessij为从第i个城市到第j个城市的路径上的信息素（初始化为该路径长度的倒数）； 
uu为信息素衰退因子； 
QQ为常数因子； 
lenlen为从起始城市回到到城市的路径距离；

【注2】更新信息素的过程分为全局更新和局部更新； 
【注3】全局更新信息素的的大小有多种，以下有三种模型；

• ACS(Ant Circle System)                      

 messijmessij为从第i个城市到第j个城市的路径上的信息素（初始化为该路径长度的倒数）； 
uu为信息素衰退因子； 
QQ为常数因子； 
lenlen为从起始城市回到起始城市的路径距离；

• AQS(Ant Quantity System)              

messijmessij为从第i个城市到第j个城市的路径上的信息素（初始化为该路径长度的倒数）； 
uu为信息素衰退因子； 
QQ为常数因子； 
dicijdicij为从第i个城市到第j个城市的路径距离；

• ADS(Ant Density System)             

messijmessij为从第i个城市到第j个城市的路径上的信息素（初始化为该路径长度的倒数）； 
uu为信息素衰退因子； 
QQ为常数因子；

【注4】ACS模型中，每群蚂蚁只有最优的蚂蚁才能释放信息素，取消了局部更新； 
【注5】个人理解：每群蚂蚁在选择路径时可以并不受当前群蚂蚁释放的信息素影响，，在每群蚂蚁结束后，再将本群蚂蚁的释放的信息素更新到全局信息素中，即只使用全局更新信息素；