优化算法_蚁群算法_案例
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。其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。具体定义可以参考百度百科资料：https://baike.baidu.com/item/%E8%9A%81%E7%BE%A4%E7%AE%97%E6%B3%95。
此案例主要是使用matlab进行进行简单TSP问题（旅行商问题）的求解，具体问题如图所示：
具体代码如下：
第一步：清空环境：
clc
clear第二步：符号说明：
% C -- n个城市的坐标
% NC_max -- 最大迭代次数
% m -- 蚁群中蚂蚁的数量，一般设置为城市的1.5倍
% D(i, j) -- 两城市i和之间的距离
% Eta(i, j) = 1 ./ D(i, j)-- 启发函数
% alpha -- 表征信息素重要程度的参数
% beta -- 表征启发函数重要程度的参数
% rho -- 信息素挥发因子
% Q --
% rBest -- 各代最佳的路线
% lBest -- 各代最佳路线的长度
% lAverage --各代的平均长度第三步：初始化数据：
citys = [18.4700 95.1000
16.4700 94.6400
20.0900 94.5400
14.3900 93.3700
25.2300 97.2400
22.0000 93.0500
23.4700 92.0200
16.2000 96.2900
17.3000 97.3800
13.0500 98.1200
15.5300 97.3800
24.5200 95.5900
16.4100 97.1300
15.0900 92.5500];
第四步：计算距离矩阵：
D = Distance(citys); % 计算距离矩阵
n = size(D, 1); % 城市的个数第五步：初始化参数：
NC_max = 200; % 最大迭代次数，取100~500之间
m = 22; % 蚂蚁的个数，一般设为城市数量的1.5倍
alpha = 1;% α 选择比较合适
beta = 4; % β 选择比较合适
rho = 0.2;% ρ 选择比较合适
Q = 20;
NC = 1; % 迭代次数，一开始为1
Eta = 1 ./ D; % η = 1 / D(i, j) ,这里是矩阵
Tau = ones(n, n); % Tau(i, j)表示边(i, j)的信息素量，一开始都为1
Table = zeros(m, n); % 路径记录表
rBest = zeros(NC_max, n); % 记录各代的最佳路线
lBest = inf .* ones(NC_max, 1); % 记录各代的最佳路线的总长度
lAverage = zeros(NC_max, 1); % 记录各代路线的平均长度第六步：迭代寻找最佳路径（算法核心）：
while NC <= NC_max
% 第1步：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; % Tabu表的第一列即是所有蚂蚁的起点城市
citys_index = 1: n; % 所有城市索引的一个集合
% 第2步：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)); % 蚂蚁i已经访问的城市集合（称禁忌表）
allow_index = ~ismember(citys_index, tabu);
Allow = citys_index(allow_index); % Allow表：存放待访问的城市
P = Allow;
% 计算从城市j到剩下未访问的城市的转移概率
for k = 1: size(Allow, 2) % 待访问的城市数量
P(k) = Tau(tabu(end), Allow(k))^alpha * Eta(tabu(end), Allow(k))^beta;
end
P = P / sum(P); % 归一化
% 轮盘赌法选择下一个访问城市（为了增加随机性）
Pc = cumsum(P);
target_index = find(Pc >= rand);
target = Allow(target_index(1));
Table(i, j) = target;
end
end
% 第3步：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
% 第4步：计算最短路径距离及平均距离
if NC == 1
= min(length);
lBest(NC) = min_Length;
lAverage(NC) = mean(length);
rBest(NC, :) = Table(min_index, :);
else
= min(length);
lBest(NC) = min(lBest(NC - 1), min_Length);
lAverage(NC) = mean(length);
if lBest(NC) == min_Length
rBest(NC, :) = Table(min_index, :);
else
rBest(NC, :) = rBest((NC - 1), :);
end
end
% 第5步：更新信息素
Delta_tau = zeros(n, n);
for i = 1: m
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;
% 第6步：迭代次数加1，并且清空路径记录表
NC = NC + 1;
Table = zeros(m, n);
end
第七步：结果显示：
= min(lBest);
shortest_Route = rBest(shortest_index, :);
disp([&#39;最短距离:&#39; num2str(shortest_Length)]);
disp([&#39;最短路径:&#39; num2str()]);第八步：绘图：
figure(1)
plot(,...
,&#39;o-&#39;);
grid on
for i = 1: size(citys, 1)
text(citys(i, 1), citys(i, 2), [&#39; &#39; num2str(i)]);
end
text(citys(shortest_Route(1), 1), citys(shortest_Route(1), 2), &#39; 起点&#39;);
text(citys(shortest_Route(end), 1), citys(shortest_Route(end), 2), &#39; 终点&#39;);
xlabel(&#39;城市位置横坐标&#39;)
ylabel(&#39;城市位置纵坐标&#39;)
title([&#39;蚁群算法优化路径(最短距离: &#39; num2str(shortest_Length) &#39;)&#39;])
figure(2)
plot(1: NC_max, lBest, &#39;b&#39;, 1: NC_max, lAverage, &#39;r:&#39;)
legend(&#39;最短距离&#39;, &#39;平均距离&#39;)
xlabel(&#39;迭代次数&#39;)
ylabel(&#39;距离&#39;)
title(&#39;各代最短距离与平均距离对比&#39;)
页:
[1]