二进制蚁群算法【源码实现】

喜欢ヅ旅行 2022-10-16 07:54 195阅读 0赞

蚁群算法  
     之前讲解了蚁群算法，见链接。[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]  
     今天讲解下二进制的蚁群算法。  
直接上算例。

## 算例 ##

![20210528153710964.png_pic_center][] 爱小玉，爱学习。

假设一个数PD=210，它可以看成下列中的数，某几个组合而成来的P\_state=np.array(\[1700,2600,180,2200,1400,60,85,290,4100,3000,1590,200,1300,50,100,30,90\])，即PD=sum（xiP\_statei）其中的xi表示状态，只能取0或1。  
         限制条件：【180,2200】,序号\[2,3\]不能共存；【60,85,300】,序号\[5,6,7\]不能共存；【50,100】 序号\[13,14\]不能共存；【25,90】序号\[15,16\]不能共存。

这题的意思假设某刻时刻。家用总负荷为210W  
家用总负荷是由各个电器的功率叠加的。其中【180,2200】,序号\[2,3\]不能共存，表示【180,2200】对应的是同一个电器，这个电器的功率可以是180或者2200.当一个时刻只能是一个值。其它同理。  
算例实现  
python 版代码。

#!/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
    
    #以一个负荷为例讲解优化算法
    
    P_state=np.array([1700,2600,180,2200,1400,60,85,290,4100,3000,1590,200,1300,50,100,30,90])#17个状态
    
    state_num=17 #状态数
    #【180,2200】,序号[2,3]不能共存
    #【60,85,300】,序号[5,6,7]不能共存
    #【50,100】 序号[13,14]不能共存
    #【25,90】序号[15,16]不能共存
    
    #总负荷
    Pload=446.0 #这个值可以设置的
    
    ########适应度函数
    def calc_f(xi):
       """ :param xi 为个体 即电器的工作状态，01二二进制，0表示当前状态关，1表示开: xi 为np.array(数据） :return 返回 np.abs(XiP_state-pload) P_state为电器"额定功率": """
       xi=np.array(xi)
       xi=xi.reshape(state_num,)
       return np.abs(np.sum(xi*P_state)-Pload)
    
    
    #=================初始化参数================
    m=20                   #蚂蚁个数
    G_max=300              #最大迭代次数
    Rho=0.9                #信息素蒸发系数
    P0=0.2                 #转移概率常数
    Tau=np.zeros(shape=(m,)) #信息素
    P=np.zeros(shape=(G_max,m)) #状态转移矩阵
    fitneess_value_list=[] #迭代记录最优目标函数值
    
    #########初始化群体
    f=np.random.randint(0,2,(m,state_num)) #在[0,2）之前随机取整数，取state_num(17)个 f.shape=(20, 17)
    for j in tqdm(range(m)):
        while f[j, 2] + f[j, 3] == 2:
            f[j, 2] = np.random.randint(0, 2, 1)
            f[j, 3] = np.random.randint(0, 2, 1)
            # 【60,85,300】,序号[5,6,7]不能共存
        while f[j, 5] + f[j, 6] + f[j, 7] == 2 or f[j, 5] + f[j, 6] + f[j, 7] == 3:
            f[j, 5] = np.random.randint(0, 2, 1)
            f[j, 6] = np.random.randint(0, 2, 1)
            f[j, 7] = np.random.randint(0, 2, 1)
    
            # 【50,100】 序号[13,14]不能共存
        while f[j, 13] + f[j, 14] == 2:
            f[j, 13] = np.random.randint(0, 2, 1)
            f[j, 14] = np.random.randint(0, 2, 1)
            # 【25,90】序号[15,16]不能共存
        while f[j, 15] + f[j, 16] == 2:
            f[j, 15] = np.random.randint(0, 2, 1)
            f[j, 16] = np.random.randint(0, 2, 1)
    
    for i in range(m):#遍历每一个蚂蚁
        Tau[i] = calc_f(f[i])#信息素
    
    
    step=0.3;                #局部搜索步长
    for NC in range(G_max):#遍历每一代
        lamda=1/(NC+1)
        BestIndex=np.argmin(Tau) #最优索引
        Tau_best=Tau[BestIndex] #最优信息素
         #计算状态转移概率
        for i in range(m):#遍历每一个蚂蚁
            P[NC,i]=np.abs((Tau_best-Tau[i]))/np.abs(Tau_best)+0.01 #即例最优信息素的距离.越近越好
    
        # =======位置更新==========
        for i in range(m):  # 遍历每一个蚂蚁
            #当前蚂蚁
            bf=f[i].copy()
            # ===局部搜索===
            if P[NC, i] < P0:
                #每只蚂蚁 的元素随机选择 np.int(state_num*(step*lamda))个 取反
                sizeaca=np.int(state_num*(step*lamda))#取反的个数
                index=np.random.choice(np.arange(0,state_num,1),size=sizeaca,replace=False)#取反的序号
                bf[index]=1-bf[index] #元素取反
            # ===全局搜索===
            else:
                #选择4分之一元素取反
                index = np.random.choice(np.arange(0, state_num, 1), size=np.int(state_num/4), replace=False)  # 取反的序号
                bf[index] = 1 - bf[index]  # 元素取反
    
            # =====位置限制=====
            # 【180,2200】,序号[2,3]不能共存
            while bf[2] + bf[3] == 2:
                bf[2] = np.random.randint(0, 2, 1)
                bf[3]= np.random.randint(0, 2, 1)
            # 【60,85,300】,序号[5,6,7]不能共存
            while bf[5] + bf[6] + bf[7] == 2 or bf[5] + bf[6] + bf[7] == 3:
                bf[5] = np.random.randint(0, 2, 1)
                bf[6] = np.random.randint(0, 2, 1)
                bf[7] = np.random.randint(0, 2, 1)
            # 【50,100】 序号[13,14]不能共存
            while bf[13] + bf[14] == 2:
                bf[13] = np.random.randint(0, 2, 1)
                bf[14] = np.random.randint(0, 2, 1)
            # 【25,90】序号[15,16]不能共存
            while bf[15] + bf[16] == 2:
                bf[15] = np.random.randint(0, 2, 1)
                bf[16] = np.random.randint(0, 2, 1)
    
            ##判断蚂蚁是否移动(选更优）
            if calc_f(bf) < calc_f(f[i]):
               f[i]=bf
    
        # =====更新信息素========
        for i in range(m):  # 遍历每一个蚂蚁
            Tau[i] = (1 - Rho) * Tau[i] + calc_f(f[i])  # (1 - Rho) * Tau[i] 信息蒸发后保留的
            index = np.argmin(Tau)  # 最小值索引
            value = Tau[index]  # 最小值
        fitneess_value_list.append(calc_f(f[i]))  # 记录最优目标函数值
    
    
    #打印结果
    min_index=np.argmin(Tau)#最优值索引
    minf=f[min_index]  #最优变量 \最优蚂蚁
    
    minValue=calc_f(minf)  #最优目标函数值
    
    print('最优变量',minf)
    print('最优变量对应的功率',minf*P_state)
    print('最优误差',minValue)
    
    plt.plot(fitneess_value_list,label='迭代曲线')
    plt.legend()
    plt.show()

![20210528154000814.png_pic_center][] ![20210528154042885.png_pic_center][]

![在这里插入图片描述][20210528154104954.jpg_pic_center]  
作者：电气-余登武。 一个电气专业的计算机选手  
原创不易，禁止转载。  
![20210528154212609.jpg_pic_center][]

[Link 1]: https://blog.csdn.net/KOBEYU652453/article/details/117289552
[20210528153710964.png_pic_center]: /images/20221014/eeacc6d2934d4b1aa3bf4acac25accc5.png
[20210528154000814.png_pic_center]: https://img-blog.csdnimg.cn/20210528154000814.png#pic_center
[20210528154042885.png_pic_center]: /images/20221014/cf85eb98f2d442d2b2c7cbe4a5593c92.png
[20210528154104954.jpg_pic_center]: /images/20221014/6706c4badb1f43839b45e727ce7d4fa4.png
[20210528154212609.jpg_pic_center]: /images/20221014/387165962ea7433e964d2b5679764342.png