基于蚁群算法的MTSP问题

最新推荐文章于 2024-05-22 07:49:34 发布

sheepyty

最新推荐文章于 2024-05-22 07:49:34 发布

阅读量5.2k

点赞数 17

文章标签：算法 matlab 人工智能

本文链接：https://blog.csdn.net/ytytyjh/article/details/109701252

版权

基于蚁群算法的MTSP问题

蚁群算法

一、简介

20世纪50年代中期创立了仿生学，人们从生物进化的机理中受到启发。提出许多用以解决复杂优化问题的新方法，如进化规划、进化策略、遗传算法等，这些算法成功地解决了一些实际问题。而同时一种对自然界蚂蚁的寻径方式进行模拟而得出的仿生算法——蚁群算法也应运而生。

二、思想与简易模型

现考察如下图所示的简单情况：在这里插入图片描述

我们可以清晰的看到，在蚁穴和食物之间存在两条路径，其中上路径较短，而下路径较长。在对蚂蚁的实际考察中，发现蚂蚁总会以一条最优的路径在蚁穴与食物之间进行运输，而蚂蚁又是如何判断出最优路径的呢？
研究发现，蚂蚁在寻找路径时会存在着释放信息素和受信息素导引的现象。所谓释放信息素是指蚂蚁在一条路径上行走时，会在该路径上释放信息素来指引其他蚂蚁的行径;而受信息素导引是指，蚂蚁在走过路口时，选择信息素浓度较高的路径概率会相对较大，下面我会以最简单的情况描述为什么短路径上的信息素浓度较大。
在这里插入图片描述
假设：
1.初始时，蚂蚁从A点出发，以等概率选择路径ABD或ACD到达食物点D，然后原路返回。
2.每只蚂蚁的行走速率相同，即每单位时间行走一步。
3.假设ABD路径距离为8步，ACD的路径距离为16步。
4.假设蚂蚁每走一步释放一个信息素单位，且不考虑信息素随时间的流失。

由假设1，我们可以做出简单等效，初始时，每条路径上派一只蚂蚁。（蚂蚁数据量较大时，数量分布近似概率分布，我们可以进行归一化，假设初始每条路径只有一只蚂蚁）。上图显示的是第8个时间单位的情况，可以看到，选择路径ABD的蚂蚁已经达到食物源，而选择路径ACD的蚂蚁到达路径的中点C。此时的信息素分布如下图所示：
在这里插入图片描述

经过16个单位时间后，选择路径ABD的蚂蚁已往返了一趟，而选择ACD的蚂蚁刚刚到达食物源D。此时信息素分布如下图所示：
在这里插入图片描述
经过32个时间单位后，选择路径ABD与路径ACD的蚂蚁都已经回到了蚁穴，此时选择路径ABD的蚂蚁已经往返了两趟，而选择路径ACD的蚂蚁往返了一趟，此时信息素分布如下：

寻找食物的过程继续，此时两只蚂蚁已经取得了食物而且回到了蚁穴，但此时两条路线上信息素分布产生了差异，由上图可知ABD路线上每一处的信息素数量与ACD路线上每一处的信息素数量之比为2:1。这意味着蚂蚁选择ABD路径的概率大于选择ACD路径概率，我们姑且假设选择路径概率与信息素浓度呈线性关系，则蚂蚁选择ABD路径的概率与选择ACD路径概率之比为2:1。
等效的做法是，我们在ABD路径上增派一只蚂蚁，则在第64个时间单位时的信息素分布如下：
在这里插入图片描述
由上图可见，第64个时间单位时，ABD路线上每一处的信息素数量与ACD路线上每一处的信息素数量之比为3:1。假设我们将此过程无线进行下去，则按照信息素的指导，两条路径上信息素浓度之比将越来越大，且变化越来越快，形成一种正反馈，最终将导致所有的蚂蚁都会放弃ACD路线，而都选择ABD路线。

三、TSP问题的算法思路

参考链接：
蚁群算法(含matlab代码)
蚁群算法
 matlab—基于蚁群算法求解Tsp旅行商问题
运用蚁群算法求解TSP问题时的基本原理是：将m个蚂蚁随机地放在多个城市，让这些蚂蚁从所在的城市出发，n步（一个蚂蚁从一个城市到另外一个城市为1步）之后返回到出发的城市。如果m个蚂蚁所走出的m条路经对应的中最短者不是TSP问题的最短路程，则重复这一过程，直至寻找到满意的TSP问题的最短路径为止。为了说明这一个算法下面用一个算法流程图来表示一下：
在这里插入图片描述
（一）算法的相关参数
在算法中用到的变量比较多，而每个变量的对算法最终收敛的结果影响程度也不一样，在这里把一些重要的参数说明一下。

$\tau _{ij}$ ：城市i和城市j之间边 $e_{ij}$ 上信息素的残留强度

$\Delta\tau _{ij}$ ：一次循环后边 $e_{ij}$ 上信息素的增量

$\Delta \tau_{ij}^{k}$ ：一次循环之后蚂蚁k对边 $e_{ij}$ 上信息素的贡献量

$\eta _{ij}$ ：城市i，j之间的能见度，反映了由城市i转移到城市j的启发程度

$d_{ij}$ ：城市i到城市j之间的距离

$p_{ij}^{k}$ ：蚂蚁k从当前所在的城市到下一个城市去的概率

$t a b u (k)$ ：禁忌表，用于存放第k只蚂蚁已经走过的城市

$Q$ ：信息素总量，信息素总信息量为蚂蚁循环一周后向经过路径释放信息素的总量

$\rho$ ：信息素残留系数，由于蚂蚁释放的信息量回随着时间的转移而逐渐挥发，以至于路径上的信息素不能无限递增，该系数太小时会降低算法的全局搜素能力，过大时容易使算法陷入局部最优，影响全局搜素能力。

$m$ ：蚂蚁总数，在TSP问题中，每次循环当中，每只蚂蚁所走出的每条路径为TSP问题的候选解，m只蚂蚁一次循环所走出来的m条路经为TSP问题的一个解子集，所以这个解子集越大则算法的全局搜索能力越强，但是过大会使算法的收敛速度降低。如果m太小的话，算法也很容易就陷入局部最优，过早的出现停滞现象，所以选择合理的蚂蚁总数是非常重要的。

$\alpha$ ：信息启发因子，反映了蚂蚁在从城市i向城市j移动时，这两个城市之间道路上所累积的信息素在指导蚂蚁选择城市j的程度，即蚁群在路径搜素中随即性因素作用的强度。

$\beta$ ：期望值启发式因子，反映了蚂蚁在从城市i向城市j转移时候期望值 $\eta _{ij}$ 在指导蚁群搜素中的相对重要程度。其大小反映了蚁群在道路搜素中的先验性、确定性等因素的强弱， $\alpha$ 、 $\beta$ 的大小也会影响算法的收敛性。

(二) 算法过程中的关键步骤
1、上面讲了蚂蚁在选择下一个要转移的城市时候是基于概率选择的，当然这个概率不是随机概率，而是其中的一些参数来决定。假定在t时刻，蚂蚁从目前所在的i城市要选择转移去的下一个j城市，概率大小为 $p_{ij}^{k}$ ：
$p_{ij}^{k}(t)=\left\{\begin{matrix} & \frac{\tau_{ij}^{k}\eta _{ij}^{\beta }}{\sum_{s\in allowed_{k}}\tau_{is}^{k}(t)\eta_{is}^{\beta}(t)} &j\in allowed_{k} \\ \\ &0 &otherwise \end{matrix}\right.$

其中 $allowed_{k}$ 表示允许蚂蚁k下一步可容许去的城市的集合， $\tau_{ij}^{\alpha}$ 为边 $e_{ij}$ 上的信息素因数， $\eta_{ij}^{\beta}$ 为城市i，j间能见度因数。至于这个过程具体是怎么实现的，在程序中会有相关的源码。

2、对任意两个城市i，j之间道路对应的边 $e_{ij}$ 信息素增量按照下式进行：
$\left\{\begin{matrix} &\tau_{ij}(t+1)=\rho\tau_{ij}(t)+\Delta \tau_{ij}(t,t+1)\\ \\&\Delta\tau_{ij}(t,t+1)=\Sigma_{k=1}^{m}\Delta\tau_{ij}^{k}(t,t+1) \end{matrix}\right.$

其中， $\Delta\tau_{ij}^{k}(t,t+1)$ 为蚂蚁k对边 $e_{ij}$ 上所贡献的信息素增量， $\Delta\tau_{ij}(t,t+1)$ 是经过边 $e_{ij}$ 的所有蚂蚁对边 $e_{ij}$ 的信息素量贡献， $\rho$ 为信息素残留系数。对于 $\Delta\tau_{ij}^{k}(t,t+1)$ 的调整方式不同，可以将蚁群算法分为三种模型：蚁密模型、蚁量模型和蚁周模型。

2.1 蚁密模型
在蚁密模型当中，每一只蚂蚁在经过城市i,j时，对该边 $e_{ij}$ 所贡献的信息素增量为常量，每个单位长度是Q：
在这里插入图片描述
2.2 蚁量模型
在蚁量模型中，一只蚂蚁k在经过城市i,j之间边 $e_{ij}$ 时，对该边所贡献的信息素增量为变量，即每单位长度上为Q/ $d_{ij}$ ，它与城市i,j之间的路径长度 $d_{ij}$ 有关，具体为：

2.3 蚁周模型
上述两种模型，对两城市之间边 $e_{ij}$ 上信息素贡献的增量在蚂蚁k经过边的同时完成，而蚁周模型对边 $e_{ij}$ 信息素的增量是在本次循环结束时才进行更新调整。一只蚂蚁在经过城市i，j时对边 $e_{ij}$ 上贡献的增量为每单位长度 $Q/L_{k}$ ， $L_{k}$ 为蚂蚁在本次循环走出路径的长度。
在这里插入图片描述

本文章就是基于蚁周模型来实现的，介绍完上述的几个关键步骤以后，就要用matlab来实现MTSP问题了，另外，关于TSP文体的算法主体框架可参考上述链接中的三篇文章，本文不再详述。

四、MTSP算法实现

本文的重点是运用蚁群算法解决MTSP问题，而MTSP问题的算法框架与TSP问题的算法框架基本相似，但关于蚂蚁单位的处理有一些需要注意的细节，首先让我们考察一个具体的问题。附件中列出了陕西曲线公路里程表，现在有两个旅行者从碑林区出发，求合计拜访每个区县一次且仅一次且最后都回到碑林区的最短路径。
和单纯的TSP问题不同的是，我们的单位不再是一只蚂蚁，而是一对蚂蚁，我们通过一对蚂蚁进行全局搜索。这里便涉及到几个TSP问题不需要考虑到的问题，
问题一：如何让两只蚂蚁协同搜索路径，即每进行一个时间单位，应该是哪一只蚂蚁进行搜索，亦或是两只蚂蚁一起搜索。
问题二：两只蚂蚁释放的信息素是否为同一种，即确定下一步搜索路径时，是要将两种蚂蚁释放的信息素综合起来考虑，还是应该分开考虑两种信息素的影响.
解决方法：
1.若每次让两只蚂蚁一起搜素，则每只蚂蚁会固定的走访一半的城市，而往往最优的路径并不是每只蚂蚁一定要走访一半的城市。所以我们选择对两只蚂蚁即将走访的两条路径，选择路径较短的蚂蚁进行下一步的路径搜索。
2.经过试验发现，信息素选择为一种与两种的实验结果影响不大，故将两种蚂蚁释放的信息素综合起来考虑。

多旅行商问题的代码如下所示:
(具体的实现细节详见代码注释)

D = P3;
n = 107;
m = 50;                              % 蚂蚁对数，每对蚂蚁分为蚂蚁1与蚂蚁2
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
Table1 = zeros(m,n);                 % 蚂蚁1路径记录表
Table2 = zeros(m,n);                 % 蚂蚁2路径记录表
iter = 1;                            % 迭代次数初值
iter_max = 150;                      % 最大迭代次数
Route_best1 = zeros(iter_max,n);     % 蚂蚁1各代最佳路径
Route_best2 = zeros(iter_max,n);     % 蚂蚁2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

while iter <= iter_max  
      start = ones(m,1)+1;           %初始出发城市为2城市，即碑林区
      Table1(:,1) = start;
      Table2(:,1) = start;
      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
             tabu1 = Table1(i,1:(j - 1));       %蚂蚁1已访问的城市集合
             tabu1(tabu1==0) = [];              %把表中的0元素舍去，因为无意义
             tabu2 = Table2(i,1:(j - 1));       %蚂蚁2已访问的城市集合
             tabu2(tabu2==0) = [];              %把表中的0元素舍去，因为无意义
             tabu = [tabu1 tabu2];              
             allow_index = ~ismember(citys_index,tabu);
             allow = citys_index(allow_index);       %待访问的城市集合
             P1 = allow;
             P2 = allow;
             % 计算城市间转移概率
             for k = 1:length(allow)
                 P1(k) = Tau(tabu1(end),allow(k))^alpha * Eta(tabu1(end),allow(k))^beta;
                 P2(k) = Tau(tabu2(end),allow(k))^alpha * Eta(tabu2(end),allow(k))^beta;
             end
             P1 = P1/sum(P1);
             P2 = P2/sum(P2);
             % 轮盘赌法选择下一个访问城市
             Pc1 = cumsum(P1);
             Pc2 = cumsum(P2);
            target_index1 = find(Pc1 >= rand);
            target_index2 = find(Pc2 >= rand);
            target1 = allow(target_index1(1));
            target2 = allow(target_index2(1));
            % 计算蚂蚁1与蚂蚁2到下一个城市的路径长度，选择路径长度较少的蚂蚁进行行走
            % 假设蚂蚁1行走，则蚂蚁1的路径表将添加下一个城市的标号，而蚂蚁2的路径表将添加0
            lengthant1 = D(tabu1(end), target1);
            lengthant2 = D(tabu2(end), target2);
            if( lengthant1 <= lengthant2)
                Table1(i,j) = target1;
            else
                Table2(i,j) = target2;
            end
         end
      end
      
      
      
      % 计算各个蚂蚁对的路径距离
      Length1 = zeros(m,1);    % 蚂蚁1路径距离之和
      Length2 = zeros(m,1);    % 蚂蚁2路径距离之和
      for i = 1:m
          Route1 = Table1(i,:);
          Route1(Route1 == 0) = [];    %舍去表中0元素
          Route2 = Table2(i,:);
          Route2(Route2 == 0) = [];    %舍去表中0元素
          for j = 1:length(Route1)-1
              Length1(i) = Length1(i) + D(Route1(j),Route1(j + 1));
          end
              Length1(i) = Length1(i) + D(Route1(end),Route1(1));
          for j = 1:length(Route2)-1
              Length2(i) = Length2(i) + D(Route2(j),Route2(j + 1));
          end
              Length2(i) = Length2(i) + D(Route2(end),Route2(1));
      end
          Length = Length1 +  Length2;
      % 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_best1(iter,:) =  Table1(min_index,:);     
          Route_best2(iter,:) =  Table2(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_best1(iter,:) =  Table1(min_index,:);        
             Route_best2(iter,:) =  Table2(min_index,:);
          else
              Route_best1(iter,:) = Route_best1((iter-1),:);
              Route_best2(iter,:) = Route_best2((iter-1),:);
          end
      end
      % 更新信息素
      Delta_Tau = zeros(n,n);
      % 逐个蚂蚁计算
      for i = 1:m
          Route1 = Table1(i,:);
          Route1(Route1 == 0) = [];     %舍去表中0元素
          Route2 = Table2(i,:);
          Route2(Route2 == 0) = [];     %舍去表中0元素
          % 逐个城市计算
          for j = 1:length(Route1)-1
              Delta_Tau(Route1(j),Route1(j+1)) = Delta_Tau(Route1(j),Route1(j+1)) + Q/Length1(i);
          end
          for j = 1:length(Route2)-1
              Delta_Tau(Route2(j),Route2(j+1)) = Delta_Tau(Route2(j),Route2(j+1)) + Q/Length2(i);
          end
          Delta_Tau(Route1(end),Route1(1)) = Delta_Tau(Route1(end),Route1(1)) + Q/Length1(i);
          Delta_Tau(Route2(end),Route1(1)) = Delta_Tau(Route2(end),Route1(1)) + Q/Length2(i);
      end
      Tau = (1-rho) * Tau + Delta_Tau;
    % 迭代次数加1，清空路径记录表
    iter = iter + 1;
    Table1 = zeros(m,n);
    Table2 = zeros(m,n);
end

[Shortest_Length,index] = min(Length_best);
Shortest_Route1 = Route_best1(index,:);
Shortest_Route1(Shortest_Route1 == 0) = [];
Shortest_Route2 = Route_best2(index,:);
Shortest_Route2(Shortest_Route2 == 0) = [];
disp(['最短距离: ' num2str(Shortest_Length)]);
disp(['最短路径1: ' num2str([Shortest_Route1 Shortest_Route1(1)])]);
disp(['最短路径2: ' num2str([Shortest_Route2 Shortest_Route2(1)])]);
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')
% r = TSP;
% sum = 0;
% for  i = 1:107
%     sum = sum+D(r(i),r(i+1));
% end
% sum

实验结果：
在这里插入图片描述

最短距离: 7192.7
最短路径1: 2    6    9   12   35   34   36   37   39   40   51    7   16   14   15   17   66   63   62   61   54   58   57   59   60   83   82   81   78   79   80   89   84   85   86   87   88   56   55   64   65   50   49   48   47   52   46   53   45   44   43   10  100  102  103  101  104  105  106   93   92   91   90   98   99   96   97   95   94   75   71   69   70   68   67   72   73   74   76   28   77    2
最短路径2: 2    3    5    1    4    8   13   32   33   31   30  107   42   41   11   23   22   21   20   18   19   26   25   29   24   27   38    2
>>

陕西公路里程表数据
提取码：1234
才疏学浅，欢迎大家指正~

sheepyty

关注

17
点赞
踩
87

收藏

觉得还不错? 一键收藏
13
评论
基于蚁群算法的MTSP问题

基于蚁群算法的MTSP问题蚁群算法一、简介 20世纪50年代中期创立了仿生学，人们从生物进化的机理中受到启发。提出许多用以解决复杂优化问题的新方法，如进化规划、进化策略、遗传算法等，这些算法成功地解决了一些实际问题。而同时一种对自然界蚂蚁的寻径方式进行模拟而得出的仿生算法——蚁群算法也应运而生。二、思想与简易模型现考察如下图所示的简单情况：我们可以清晰的看到，在蚁穴和食物之间存在两条路径，其中上路径较短，而下路径较长。在对蚂蚁的实际考察中，发现蚂蚁总会以一条最优的路径在蚁穴与食
复制链接

扫一扫