离散蚁群算法实例（求解旅行商问题）

墨蓝 2022-10-16 06:15 249阅读 0赞

## 蚁群算法 ##

蚁群算法原理  
[万字长文带你了解蚁群算法及求解复杂约束问题【源码实现】][Link 1]

上面这篇博文的蚁群算法是实数编码。今天讲解下离散编码的蚁群算法。  
     算法原理不再解释，直接上算例。

## 旅行商问题 ##

旅行商问题(TSP 问题)。假设有一个旅行商人要拜访全国31个省会城市，他需要选择所要走的路径，路径的限制是每个城市只能拜访-一次， 而且最后要回到原来出发的城市。路径的选择要求是:所选路径的路程为所有路径之中的最小值。

matlab求解

%%%%%%%%%%%%%%%%%%%%蚁群算法解决TSP问题%%%%%%%%%%%%%%%%%%%%%%%%%%
    
    clear all;                %清除所有变量
    close all;                %清图
    citys=[1304 2312;3639 1315;4177 2244;3712 1399;3488 1535;3326 1556;...
        3238 1229;4196 1044;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个省会城市坐标
    
    
    %%%%%%%%%%%%%%%%%%%%%%%计算城市间相互距离%%%%%%%%%%%%%%%%%%%%%%%
    %% 计算距离
    n = size(citys,1);%n=31
    D = zeros(n,n);%因为是计算两两之间的距离，所以矩阵为31*31
    for i = 1:n
        for j = 1:n
            if i ~= j
                D(i,j) = sqrt(sum((citys(i,:) - citys(j,:)).^2));
            else
                D(i,j) = 1e-4;  %对角矩阵 距离为0，我将对角矩阵赋值一个很小的距离，不影响计算。因为前文图中公式里有距离的倒数   
            end
        end    
    end
    
    %%%%%%%%%%%%%%%%%%%%%%%%%初始化参数%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
    %% 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
    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%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
    %% 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   %遍历每一个蚂蚁
              temp = randperm(n);%randperm(n)产生1-n的随机序列
              start(i) = temp(1); %起始点赋值
          end
          Table(:,1) = start; %% Table路径记录表 
          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(禁忌表)
                 allow_index = ~ismember(citys_index,tabu);%取出未访问过的城市索引 
                 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
    
    %% VI. 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)])]);
    
    %% VII. 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')

![20210527153858370.png_pic_center][] ![20210527153950318.png_pic_center][]

python求解

#!/usr/bin/env python3
    # -*- coding: utf-8 -*-
    # @Author: yudengwu(余登武）
    # @Date : 2021/5/28
    #@email:1344732766@qq.com
    import numpy as np
    from tqdm import tqdm#进度条设置
    import matplotlib.pyplot as plt
    import matplotlib as mpl
    import matplotlib; matplotlib.use('TkAgg')
    mpl.rcParams['font.sans-serif'] = ['SimHei']  # 指定默认字体
    mpl.rcParams['axes.unicode_minus'] = False  # 解决保存图像是负号'-'显示为方块的问题
    import math
    
    
    
    #====================距离文件=================
    C=[1304 ,2312,3639 ,1315,4177 ,2244,3712 ,1399,3488, 1535,3326, 1556,
        3238 ,1229,4196 ,1044,4312,790,4386,570,3007,1970,2562 ,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个省会城市坐标
    C=np.array(C).reshape(-1,2)#shape=(31, 2)
    
    
    
    #===============蚁群算法 TSP求解====================
    class ACA_TSP(object):
        def __init__(self,C):
            self.C = C  # 城市坐标
            self.AntCount = 100 #蚂蚁数量
            self.city_count = self.C.shape[0]  # 城市数量
            self.alpha = 1  # 信息素重要程度因子
            self.beta = 2  # 启发函数重要程度因子
            self.rho = 0.1  # 挥发速度
            self.MAX_iter = 100  # 最大迭代次数
            self.Distance=self.calculate_distance(self.C[:,0], self.C[:,1])#任意两个城市距离间隔矩阵 shape=(31, 31)
    
            self.Q = 1
            # 初始信息素矩阵，全是为1组成的矩阵
            self.pheromonetable = np.ones((self.city_count, self.city_count))
            # 候选集列表,存放100只蚂蚁的路径(一只蚂蚁一个路径),一共就Antcount个路径，一共是蚂蚁数量*31个城市数量
            self.candidate = np.zeros((self.AntCount, self.city_count)).astype(int)
            # path_best存放的是相应的，每次迭代后的最优路径，每次迭代只有一个值
            self.path_best = np.zeros((self.MAX_iter, self.city_count))
            # 存放每次迭代的最优距离
            self.distance_best = np.zeros(self.MAX_iter)
    
        #城市间的距离
        def calculate_distance(self,X, Y):
            """ 建立一个citycount-citycount二维数组，存放每对城市之间的距离. 注意，因为要根据距离矩阵求启发函数 η \eta ηij( η \eta ηij为城市i和城市j之间距离的倒数）, 所有距离矩阵的对角线不能为0，我把对角线设置为inf，其实只要不为零就可以。 计算城市两辆之间的欧式距离，结果用numpy矩阵存储 :param X: 城市的X坐标，np.array数组 :param Y: 城市的Y坐标，np.array数组 """
            distance_matrix = np.zeros((self.city_count,  self.city_count))
            for i in range(self.city_count):
                for j in range(self.city_count):
                    if i == j:
                        distance_matrix[i][j] = np.inf
                    else:
                        dis = np.sqrt((X[i] - X[j]) ** 2 + (Y[i] - Y[j]) ** 2)  # 欧式距离计算
                        distance_matrix[i][j] = dis
            return distance_matrix
    
    
        def main(self):
            # 倒数矩阵
            etable = 1.0 / self.Distance
            for iter in tqdm(range(self.MAX_iter)):#遍历每一次迭代
                # first：蚂蚁初始点选择
                if self.AntCount <= self.city_count:
                    # np.random.permutation随机排列一个数组的
                    self.candidate[:, 0] = np.random.permutation(range(self.city_count))[:self.AntCount]
                else:
                    m = self.AntCount - self.city_count
                    n = 2
                    self.candidate[:self.city_count, 0] = np.random.permutation(range(self.city_count))[:]
                    while m > self.city_count:
                        self.candidate[self.city_count * (n - 1):self.city_count * n, 0] = np.random.permutation(range(self.city_count))[:]
                        m = m - self.city_count
                        n = n + 1
                    self.candidate[self.city_count * (n - 1):self.AntCount, 0] = np.random.permutation(range(self.city_count))[:m]
                length = np.zeros(self.AntCount)  # 每次迭代的N个蚂蚁的距离值
    
                # second：选择下一个城市选择
                for i in range(self.AntCount):#遍历每一次蚂蚁
                    # 移除已经访问的第一个元素
                    unvisit = list(range(self.city_count))  # 列表形式存储没有访问的城市编号
                    visit = self.candidate[i, 0]  # 当前所在点,第i个蚂蚁在第一个城市
                    unvisit.remove(visit)  # 在未访问的城市中移除当前开始的点
                    for j in range(1, self.city_count):  # 访问剩下的city_count个城市，city_count次访问
                        protrans = np.zeros(len(unvisit))  # 每次循环都更改当前没有访问的城市的转移概率矩阵1*30,1*29,1*28...
                        # 下一城市的概率函数
                        for k in range(len(unvisit)):
                            # 计算当前城市到剩余城市的（信息素浓度^alpha）*（城市适应度的倒数）^beta
                            # etable[visit][unvisit[k]],(alpha+1)是倒数分之一，pheromonetable[visit][unvisit[k]]是从本城市到k城市的信息素
                            protrans[k] = np.power(self.pheromonetable[visit][unvisit[k]], self.alpha) * np.power(
                                etable[visit][unvisit[k]], (self.alpha + 1))
                        # 累计概率，轮盘赌选择
                        cumsumprobtrans = (protrans / sum(protrans)).cumsum()
                        cumsumprobtrans -= np.random.rand()
    
                        # 求出离随机数产生最近的索引值
                        k = unvisit[list(cumsumprobtrans > 0).index(True)]
                        # 下一个访问城市的索引值
                        self.candidate[i, j] = k
                        unvisit.remove(k)
                        length[i] += self.Distance[visit][k]
                        visit = k  # 更改出发点，继续选择下一个到达点
    
                    length[i] += self.Distance[visit][self.candidate[i, 0]]  # 最后一个城市和第一个城市的距离值也要加进去
    
                """ 更新路径等参数 """
                # 如果迭代次数为一次，那么无条件让初始值代替path_best,distance_best.
                if iter == 0:
                    self.distance_best[iter] = length.min()
                    self.path_best[iter] = self.candidate[length.argmin()].copy()
                else:
                    # 如果当前的解没有之前的解好，那么当前最优还是为之前的那个值；并且用前一个路径替换为当前的最优路径
                    if length.min() > self.distance_best[iter - 1]:
                        self.distance_best[iter] = self.distance_best[iter - 1]
                        self.path_best[iter] = self.path_best[iter - 1].copy()
                    else:  # 当前解比之前的要好，替换当前解和路径
                        self.distance_best[iter] = length.min()
                        self.path_best[iter] = self.candidate[length.argmin()].copy()
    
                """ 信息素的更新 """
                # 信息素的增加量矩阵
                changepheromonetable = np.zeros((self.city_count, self.city_count))
                for i in range(self.AntCount):
                    for j in range(self.city_count - 1):
                        # 当前路径比如城市23之间的信息素的增量：1/当前蚂蚁行走的总距离的信息素
                        changepheromonetable[self.candidate[i, j]][self.candidate[i][j + 1]] += self.Q / length[i]
                        # Distance[candidate[i, j]][candidate[i, j + 1]]
                    # 最后一个城市和第一个城市的信息素增加量
                    changepheromonetable[self.candidate[i, j + 1]][self.candidate[i, 0]] += self.Q / length[i]
                # 信息素更新的公式：
                pheromonetable = (1 - self.rho) * self.pheromonetable + changepheromonetable
    
            print("蚁群算法的最优路径", self.path_best[-1] + 1)
            print("迭代", self.MAX_iter, "次后", "蚁群算法求得最优解", self.distance_best[-1])
    
    
    
    
    aca_tsp=ACA_TSP(C)
    aca_tsp.main()

![20210528135559200.png_pic_center][]

算出来的不是最优解，目前我对离散蚁群算法理解还不是很深，所以写出来的代码可能不是很好。先这样吧。

![在这里插入图片描述][20210528135753204.jpg_pic_center]

作者：余登武。一个电气专业的计算机选手。原创不易，禁止转载。  
![20210528135917375.jpg_pic_center][]

[Link 1]: https://blog.csdn.net/KOBEYU652453/article/details/117289552
[20210527153858370.png_pic_center]: https://img-blog.csdnimg.cn/20210527153858370.png#pic_center
[20210527153950318.png_pic_center]: /images/20221014/a3575029220f423eb754d83b5e754a44.png
[20210528135559200.png_pic_center]: /images/20221014/458b0a68c25146188b91fbfa465205bd.png
[20210528135753204.jpg_pic_center]: /images/20221014/c1e187a2e5794a4e8515e3b6b2b0f471.png
[20210528135917375.jpg_pic_center]: /images/20221014/cd309a30deb1422da8c68a9ef02b29ad.png