蚁群算法

今天雨下的不小,无事可干,来研究研究蚁群算法。

蚁群优化算法概述

蚁群优化算法(Ant Colony Optimization,ACO)起源于对简单蚂蚁社会系统的模拟,是对蚂蚁群落食物采集过程的模拟,是一种群智能算法。目前,蚂蚁算法因其较强的鲁棒性,并行性,分布式计算机制,易于实现等特点,已在组合优化、网络路由、函数优化、数据挖掘、机器人路径规划、无线传感器网络性能优化等领域得到广泛的应用。

蚁群算法的生物学背景

蚁群优化(ACO)算法其灵感来源于真实蚁群的觅食行为(foraging),也就是蚂蚁怎样找到食物源与自己的巢穴之间的最短路径。蚂蚁没有视力,它在蚁群与食物源之间建立起最短的路径,并且返回,其个体之间信息通信的媒介就是信息素。初始的时候,蚂蚁按照随机的方式在自己的巢穴周围找寻食物。一旦一只蚂蚁找到食物,它会估计食物的数量和质量并且带一些食物回巢穴。在返回巢穴期间,这只蚂蚁留在路径上的“信息素”(Pheromone)的数量与其所携带的食物的数量和质量有关。一只孤立的蚂蚁的基本移动是随机的,蚂蚁如果检测到路径上有前面蚂蚁遗留下的信息素,那么蚂蚁会选择信息素浓度高的路径行走,同时也用自己的信息素加强了所选择路径上的信息素浓度。这种集体行为表现的是一种叫做autocatalytic(自身催化)的行为,即越多的蚂蚁追寻一条信息素,这条信息素对后续的蚂蚁就越有吸引力。”信息素”作为蚁群前往食物所在地的标记也会逐渐挥发,如果2 只蚂蚁同时找到同一食物,又采取不同路线回到巢中,那么比较绕远的一条路上信息素的气味会比较淡,后续的蚂蚁在选择路径的时候会倾向于选择信息素浓度较高的路径。而这一过程就是蚂蚁之间通过信息素所进行的间接通信,即stigmergy。蚂蚁通过这种方式能够找到巢穴与食物源之间的最短路径。

蚁群算法解决TSP问题

在解决组合优化问题,如TSP 问题时,ACO 算法设计虚拟的"蚂蚁"将搜索不同路线,并留下会随时间逐渐消失的虚拟"信息素"。虚拟的"信息素"也会挥发,每只蚂蚁每次随机选择要走的路径,它们倾向于选择路径比较短的、信息素比较浓的路径。根据“信息素较浓的路线更近”的原则,即可选择出最佳路线。由于这个算法利用了正反馈机制,使得较短的路径能够有较大的机会得到选择,并且由于采用了概率算法,所以它能够不局限于局部最优解。

通常,ACO 算法通过两个迭代步骤解决优化问题:
(1) 用信息素模型构建候选解 即,在解空间中参数化概率分布;
(2) 用候选解来修正信息素的值 其前提是朝着获得高质量解的方向进行采样。


每一只蚂蚁就是一个主体(agent),它具有以下特性:其所选择城市的概率是城市间距离与连线上遗留信息量的函数;不允许蚂蚁向已经访问过的城市转移,直到整个旅行结束,该过程由禁忌表控制;当其完成一次旅行之后,蚂蚁在经过的边(i, j)上放置信息素。

令 ζ (t) ij τ 为连线(i, j)上信息素的浓度。信息素浓度根据下式更新:

蚁群算法_第1张图片

k指蚂蚁的序号


#pragma once  
  
#include <iostream>  
#include <math.h>  
#include <time.h>  
  
const double ALPHA=1.0; //启发因子,信息素的重要程度  
const double BETA=2.0;   //期望因子,城市间距离的重要程度  
const double ROU=0.5; //信息素残留参数  
  
const int N_ANT_COUNT=34; //蚂蚁数量  
const int N_IT_COUNT=1000; //迭代次数  
const int N_CITY_COUNT=51; //城市数量  
  
const double DBQ=100.0; //总的信息素  
const double DB_MAX=10e9; //一个标志数,10的9次方  
  
double g_Trial[N_CITY_COUNT][N_CITY_COUNT]; //两两城市间信息素,就是环境信息素  
double g_Distance[N_CITY_COUNT][N_CITY_COUNT]; //两两城市间距离  
  
//eil51.tsp城市坐标数据  
double x_Ary[N_CITY_COUNT]=  
{  
    37,49,52,20,40,21,17,31,52,51,  
    42,31,5,12,36,52,27,17,13,57,  
    62,42,16,8,7,27,30,43,58,58,  
    37,38,46,61,62,63,32,45,59,5,  
    10,21,5,30,39,32,25,25,48,56,  
    30  
};  
  
double y_Ary[N_CITY_COUNT]=  
{  
    52,49,64,26,30,47,63,62,33,21,  
    41,32,25,42,16,41,23,33,13,58,  
    42,57,57,52,38,68,48,67,48,27,  
    69,46,10,33,63,69,22,35,15,6,  
    17,10,64,15,10,39,32,55,28,37,  
    40  
};  
  
//返回指定范围内的随机整数  
int rnd(int nLow,int nUpper)  
{  
    return nLow+(nUpper-nLow)*rand()/(RAND_MAX+1);  
}  
  
//返回指定范围内的随机浮点数  
double rnd(double dbLow,double dbUpper)  
{  
    double dbTemp=rand()/((double)RAND_MAX+1.0);  
    return dbLow+dbTemp*(dbUpper-dbLow);  
}  
  
//返回浮点数四舍五入取整后的浮点数  
double ROUND(double dbA)  
{  
    return (double)((int)(dbA+0.5));  
}  
  
//定义蚂蚁类  
class CAnt  
{  
public:  
    CAnt(void);  
    ~CAnt(void);  
  
public:  
  
    int m_nPath[N_CITY_COUNT]; //蚂蚁走的路径  
    double m_dbPathLength; //蚂蚁走过的路径长度  
  
    int m_nAllowedCity[N_CITY_COUNT]; //没去过的城市  
    int m_nCurCityNo; //当前所在城市编号  
    int m_nMovedCityCount; //已经去过的城市数量  
  
public:  
  
    int ChooseNextCity(); //选择下一个城市  
    void Init(); //初始化  
    void Move(); //蚂蚁在城市间移动  
    void Search(); //搜索路径  
    void CalPathLength(); //计算蚂蚁走过的路径长度  
  
};  
  
//构造函数  
CAnt::CAnt(void)  
{  
}  
  
//析构函数  
CAnt::~CAnt(void)  
{  
}  
  
//初始化函数,蚂蚁搜索前调用  
void CAnt::Init()  
{  
  
    for (int i=0;i<N_CITY_COUNT;i++)  
    {  
        m_nAllowedCity[i]=1; //设置全部城市为没有去过  
        m_nPath[i]=0; //蚂蚁走的路径全部设置为0  
    }  
  
    //蚂蚁走过的路径长度设置为0  
    m_dbPathLength=0.0;  
  
    //随机选择一个出发城市  
    m_nCurCityNo=rnd(0,N_CITY_COUNT);  
  
    //把出发城市保存入路径数组中  
    m_nPath[0]=m_nCurCityNo;  
  
    //标识出发城市为已经去过了  
    m_nAllowedCity[m_nCurCityNo]=0;  
  
    //已经去过的城市数量设置为1  
    m_nMovedCityCount=1;  
  
}  
  
//选择下一个城市  
//返回值 为城市编号  
int CAnt::ChooseNextCity()  
{  
  
    int nSelectedCity=-1; //返回结果,先暂时把其设置为-1  
  
    //==============================================================================  
    //计算当前城市和没去过的城市之间的信息素总和  
     
    double dbTotal=0.0;     
    double prob[N_CITY_COUNT]; //保存各个城市被选中的概率  
  
    for (int i=0;i<N_CITY_COUNT;i++)  
    {  
        if (m_nAllowedCity[i] == 1) //城市没去过  
        {  
            prob[i]=pow(g_Trial[m_nCurCityNo][i],ALPHA)*pow(1.0/g_Distance[m_nCurCityNo][i],BETA); //该城市和当前城市间的信息素  
            dbTotal=dbTotal+prob[i]; //累加信息素,得到总和  
        }  
        else //如果城市去过了,则其被选中的概率值为0  
        {  
            prob[i]=0.0;  
        }  
    }  
  
    //==============================================================================  
    //进行轮盘选择  
    double dbTemp=0.0;  
    if (dbTotal > 0.0) //总的信息素值大于0  
    {  
        dbTemp=rnd(0.0,dbTotal); //取一个随机数  
  
        for (int i=0;i<N_CITY_COUNT;i++)  
        {  
            if (m_nAllowedCity[i] == 1) //城市没去过  
            {  
                dbTemp=dbTemp-prob[i]; //这个操作相当于转动轮盘,如果对轮盘选择不熟悉,仔细考虑一下  
                if (dbTemp < 0.0) //轮盘停止转动,记下城市编号,直接跳出循环  
  
   
  
 {  
                    nSelectedCity=i;  
                    break;  
                }  
            }  
        }  
    }  
  
    //==============================================================================  
    //如果城市间的信息素非常小 ( 小到比double能够表示的最小的数字还要小 )  
    //那么由于浮点运算的误差原因,上面计算的概率总和可能为0  
    //会出现经过上述操作,没有城市被选择出来  
    //出现这种情况,就把第一个没去过的城市作为返回结果  
     
    //题外话:刚开始看的时候,下面这段代码困惑了我很长时间,想不通为何要有这段代码,后来才搞清楚。  
    if (nSelectedCity == -1)  
    {  
        for (int i=0;i<N_CITY_COUNT;i++)  
        {  
            if (m_nAllowedCity[i] == 1) //城市没去过  
            {  
                nSelectedCity=i;  
                break;  
            }  
        }  
    }  
  
    //==============================================================================  
    //返回结果,就是城市的编号  
    return nSelectedCity;  
}  
  
  
//蚂蚁在城市间移动  
void CAnt::Move()  
{  
    int nCityNo=ChooseNextCity(); //选择下一个城市  
  
    m_nPath[m_nMovedCityCount]=nCityNo; //保存蚂蚁走的路径  
    m_nAllowedCity[nCityNo]=0;//把这个城市设置成已经去过了  
    m_nCurCityNo=nCityNo; //改变当前所在城市为选择的城市  
    m_nMovedCityCount++; //已经去过的城市数量加1  
}  
  
//蚂蚁进行搜索一次  
void CAnt::Search()  
{  
    Init(); //蚂蚁搜索前,先初始化  
  
    //如果蚂蚁去过的城市数量小于城市数量,就继续移动  
    while (m_nMovedCityCount < N_CITY_COUNT)  
    {  
        Move();  
    }  
  
    //完成搜索后计算走过的路径长度  
    CalPathLength();  
}  
  
  
//计算蚂蚁走过的路径长度  
void CAnt::CalPathLength()  
{  
  
    m_dbPathLength=0.0; //先把路径长度置0  
    int m=0;  
    int n=0;  
  
    for (int i=1;i<N_CITY_COUNT;i++)  
    {  
        m=m_nPath[i];  
        n=m_nPath[i-1];  
        m_dbPathLength=m_dbPathLength+g_Distance[m][n];  
    }  
  
    //加上从最后城市返回出发城市的距离  
    n=m_nPath[0];  
    m_dbPathLength=m_dbPathLength+g_Distance[m][n];     
  
}  
  
  
//tsp类  
class CTsp  
{  
public:  
    CTsp(void);  
    ~CTsp(void);  
  
public:  
    CAnt m_cAntAry[N_ANT_COUNT]; //蚂蚁数组  
    CAnt m_cBestAnt; //定义一个蚂蚁变量,用来保存搜索过程中的最优结果  
                                        //该蚂蚁不参与搜索,只是用来保存最优结果  
  
public:  
  
    //初始化数据  
    void InitData();  
  
    //开始搜索  
    void Search();  
  
    //更新环境信息素  
    void UpdateTrial();  
  
  
};  
  
  
//构造函数  
CTsp::CTsp(void)  
{  
}  
  
CTsp::~CTsp(void)  
{  
}  
  
  
//初始化数据  
void CTsp::InitData()  
{  
  
    //先把最优蚂蚁的路径长度设置成一个很大的值  
    m_cBestAnt.m_dbPathLength=DB_MAX;  
  
    //计算两两城市间距离  
    double dbTemp=0.0;  
    for (int i=0;i<N_CITY_COUNT;i++)  
    {  
        for (int j=0;j<N_CITY_COUNT;j++)  
        {  
            dbTemp=(x_Ary[i]-x_Ary[j])*(x_Ary[i]-x_Ary[j])+(y_Ary[i]-y_Ary[j])*(y_Ary[i]-y_Ary[j]);  
            dbTemp=pow(dbTemp,0.5);  
            g_Distance[i][j]=ROUND(dbTemp);  
        }  
    }  
  
    //初始化环境信息素,先把城市间的信息素设置成一样  
    //这里设置成1.0,设置成多少对结果影响不是太大,对算法收敛速度有些影响  
    for (int i=0;i<N_CITY_COUNT;i++)  
    {  
        for (int j=0;j<N_CITY_COUNT;j++)  
        {  
            g_Trial[i][j]=1.0;  
        }  
    }  
  
}  
  
   
  
  
//更新环境信息素  
void CTsp::UpdateTrial()  
{  
    //临时数组,保存各只蚂蚁在两两城市间新留下的信息素  
    double dbTempAry[N_CITY_COUNT][N_CITY_COUNT];  
    memset(dbTempAry,0,sizeof(dbTempAry)); //先全部设置为0  
  
    //计算新增加的信息素,保存到临时数组里  
    int m=0;  
    int n=0;  
    for (int i=0;i<N_ANT_COUNT;i++) //计算每只蚂蚁留下的信息素  
    {  
            for (int j=1;j<N_CITY_COUNT;j++)  
            {  
                m=m_cAntAry[i].m_nPath[j];  
                n=m_cAntAry[i].m_nPath[j-1];  
                dbTempAry[n][m]=dbTempAry[n][m]+DBQ/m_cAntAry[i].m_dbPathLength;  
                dbTempAry[m][n]=dbTempAry[n][m];  
            }  
  
            //最后城市和开始城市之间的信息素  
            n=m_cAntAry[i].m_nPath[0];  
            dbTempAry[n][m]=dbTempAry[n][m]+DBQ/m_cAntAry[i].m_dbPathLength;  
            dbTempAry[m][n]=dbTempAry[n][m];  
  
    }  
  
    //==================================================================  
    //更新环境信息素  
    for (int i=0;i<N_CITY_COUNT;i++)  
    {  
        for (int j=0;j<N_CITY_COUNT;j++)  
        {  
            g_Trial[i][j]=g_Trial[i][j]*ROU+dbTempAry[i][j]; //最新的环境信息素 = 留存的信息素 + 新留下的信息素  
        }  
    }  
  
}  
  
  
void CTsp::Search()  
{  
  
    char cBuf[256]; //打印信息用  
  
    //在迭代次数内进行循环  
    for (int i=0;i<N_IT_COUNT;i++)  
    {  
        //每只蚂蚁搜索一遍  
        for (int j=0;j<N_ANT_COUNT;j++)  
        {  
            m_cAntAry[j].Search();  
        }  
  
        //保存最佳结果  
        for (int j=0;j<N_ANT_COUNT;j++)  
        {  
            if (m_cAntAry[j].m_dbPathLength < m_cBestAnt.m_dbPathLength)  
            {  
                m_cBestAnt=m_cAntAry[j];  
            }  
        }  
  
        //更新环境信息素  
        UpdateTrial();  
  
        //输出目前为止找到的最优路径的长度  
        sprintf(cBuf,"\n[%d] %.0f",i+1,m_cBestAnt.m_dbPathLength);  
        printf(cBuf);  
    }  
  
}  





你可能感兴趣的:(智能算法)