🌞欢迎来到智能优化算法的世界
🌈博客主页:卿云阁💌欢迎关注🎉点赞👍收藏⭐️留言📝
🌟本文由卿云阁原创!
🌠本阶段属于筑基阶段之一,希望各位仙友顺利完成突破
📆首发时间:🌹2021年11月10日🌹
✉️希望可以和大家一起完成进阶之路!
🙏作者水平很有限,如果发现错误,请留言轰炸哦!万分感谢!
目录
0️⃣✨✨✨基本原理✨✨✨
单个蚂蚁的行为比较简单,但是蚁群整体却可以体现一些智能的行为。例如蚁群可以在不同的环境下,寻找最短到达食物源的路径。这是因为蚁群内的蚂蚁可以通过某种信息机制实现信息的传递。后又经进一步研究发现,蚂蚁会在其经过的路径上释放一种可以称之为“信息素”的物质,蚁群内的蚂蚁对“信息素”具有感知能力,它们会沿着“信息素”浓度较高路径行走,而每只路过的蚂蚁都会在路上留下“信息素”,这就形成一种类似正反馈的机制,这样经过一段时间后,整个蚁群就会沿着最短路径到达食物源了
1️⃣✨✨✨基本流程✨✨✨
Step1:变量初始化;
Step2:将m只蚂蚁放在n个元素上
Step3:m只蚂蚁按概率完成各自的周游;
Step4:记录本次最佳路线;
Step5:更新禁忌表;
Step6:更新信息表;
Step7:判断是否满足终止条件
2️⃣✨✨✨主要公式✨✨✨
3️⃣✨✨✨代码部分✨✨✨
%%%%%蚁群算法解决TSP%%%%% %%%%%初始化%%%%% clear all; %清除所有变量 close all; %清屏 clc ; %清图 m=50; %蚂蚁个数 Alpha=1; %Alpha表征信息素重要程度的参数 Beta=5; % Beta表征启发式因子重要程度的参数 Rho=0.1; % Rho信息素蒸发系数 NC_max=200; %最大迭代次数 Q=100; %信息素增加强度 C=[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 2376; 3394 2643;3439 3201;2935 3240;3140 3550;2545 2357;2778 2826; 2370 2975]; %%31个省会坐标数据 %%%%%%第一步:变量初始化%%%%%%%%%%%%%%% n=size(C,1);%城市个数 D=zeros(n,n);%两的城市距离间隔矩阵 for i=1:n for j=1:n if i~=j D(i,j)=((C(i,1)-C(j,1))^2+(C(i,2)-C(j,2))^2)^0.5; else D(i,j)=eps; end D(j,i)=D(i,j); end end Eta=1./D; %Eta为启发因子,这里设为距离的倒数 Tau=ones(n,n); %Tau为信息素矩阵 Tabu=zeros(m,n); %存储并记录路径的生成 NC=1; %迭代计数器,记录迭代次数 R_best=zeros(NC_max,n); %各代最佳路线 L_best=inf.*ones(NC_max,1); %各代最佳路线的长度 %inf 正无穷 L_ave=zeros(NC_max,1); %各代路线的平均长度 while NC<=NC_max %%第二步:将m只蚂蚁放到n个城市上%% Randpos=[]; %随即存取 for i=1:(ceil(m/n)) Randpos=[Randpos,randperm(n)]; end Tabu(:,1)=(Randpos(1,1:m))'; %%第三步:m只蚂蚁按概率函数选择下一座城市,完成各自的周游%% for j=2:n for i=1:m visited=Tabu(i,1:(j-1)); %记录已访问的城市,避免重复访问 J=zeros(1,(n-j+1)); %待访问的城市 P=J; %待访问城市的选择概率分布 Jc=1; for k=1:n if length(find(visited==k))==0 %开始时置0 J(Jc)=k; Jc=Jc+1; %访问的城市个数自加1 end end %下面计算待选城市的概率分布 for k=1:length(J) P(k)=(Tau(visited(end),J(k))^Alpha)*(Eta(visited(end),J(k))^Beta); end P=P/(sum(P)); %按概率原则选取下一个城市 Pcum=cumsum(P); %cumsum,元素累加即求和 Select=find(Pcum>=rand); %若计算的概率大于原来的就选择这条路线 to_visit=J(Select(1)); Tabu(i,j)=to_visit; end end if NC>=2 Tabu(1,:)=R_best(NC-1,:); end %%%第四步:记录本次迭代最佳路线%%% L=zeros(m,1); %开始距离为0,m*1的列向量 for i=1:m R=Tabu(i,:); for j=1:(n-1) L(i)=L(i)+D(R(j),R(j+1)); %原距离加上第j个城市到第j+1个城市的距离 end L(i)=L(i)+D(R(1),R(n)); %加上回到起点的距离,得到一轮下来后走过的距离 end L_best(NC)=min(L); %最佳距离取最小 pos=find(L==L_best(NC)); R_best(NC,:)=Tabu(pos(1),:); %此轮迭代后的最佳路线 L_ave(NC)=mean(L); %此轮迭代后的平均距离 NC=NC+1; %迭代继续 %%%第五步:更新信息素%%% Delta_Tau=zeros(n,n); %开始时信息素为n*n的0矩阵 for i=1:m for j=1:(n-1) Delta_Tau(Tabu(i,j),Tabu(i,j+1))=Delta_Tau(Tabu(i,j),Tabu(i,j+1))+Q/L(i); %此次循环在路径(i,j)上的信息素增量 end Delta_Tau(Tabu(i,n),Tabu(i,1))=Delta_Tau(Tabu(i,n),Tabu(i,1))+Q/L(i); %此次循环在整个路径上的信息素增量 end Tau=(1-Rho).*Tau+Delta_Tau; %考虑信息素挥发,更新后的信息素 %第六步:禁忌表清零(禁忌表:防止搜索过程中出现循环,避免局部最优) Tabu=zeros(m,n); %%直到最大迭代次数 end %%第七步:输出结果%%% Pos=find(L_best==min(L_best)); %找到最佳路径 Shortest_Route=R_best(Pos(1),:) %最大迭代次数后最佳路径 Shortest_Length=L_best(Pos(1)) %最大迭代次数后最短距离 figure(1) plot(L_best) xlabel('迭代次数') ylabel('最短路径长度') title('每代最短路径长度进化曲线') figure(2) %绘制第一个子图形,路线图 subplot(1,2,1) N=length(Shortest_Route); scatter(C(:,1),C(:,2)); %绘制闪点图 hold on plot([C(Shortest_Route(1),1),C(Shortest_Route(N),1)],[C(Shortest_Route(1),2),C(Shortest_Route(N),2)],'g') hold on for ii=2:N plot([C(Shortest_Route(ii-1),1),C(Shortest_Route(ii),1)],[C(Shortest_Route(ii-1),2),C(Shortest_Route(ii),2)],'g') hold on end title('旅行商最短路线结果图 ') %绘制第二个子图形 subplot(1,2,2) plot(L_best) hold on %保持图形 plot(L_ave,'r') legend('最短距离','平均距离') title('平均距离和最短距离') %标题