【TSP问题】基于蚁群算法求解旅行商问题(TSP)matlab源码

2021-06-30 17:54:27 阅读：182 来源： 互联网

标签：end 蚁群 Route 路径 iter Length 源码 citys TSP

文章目录

一，理论基础
二，蚁群算法解决TSP问题的基本步骤
三，MATLAB程序实现
四，结果显示
五，参考文献

一，理论基础

生物学家研究发现，蚂蚁在寻找食物时，会在其经过的路径上释放一种信息素，并能够感知其他蚂蚁释放的信息素。信息素浓度的大小表示路径的远近，浓度越高，表明对应的路径距离越短。通常，蚂蚁会以较大的概率优先选择信息素浓度较高的路径，并释放一定量的信息素，这样就形成一个正反馈。最终，蚂蚁能够找到一条从巢穴到食物源的最佳路径，即最短距离。同时，生物学家还发现，路径上的信息素浓度会随着时间的推移而逐渐衰减。
将蚁群算法(ant colony algorithm,ACA)应用于解决优化问题的基本思路为：用蚂蚁的行走路径表示待优化问题的可行解，整个蚂蚁群体的所有路径构成待优化问题的解空间。路径较短的蚂蚁释放的信息素量较多，随着时间的推移，较短的路径上累积的信息素浓度逐渐增高，选择该路径的蚂蚁数量也越来越多。最终，整个蚂蚁会在正反馈的作用下集中到最佳的路径上，此时对应的便是待优化问题的最优解。

二，蚁群算法解决TSP问题的基本步骤

图1 蚁群算法解决TSP问题的步骤
1.初始化参数
在计算之初，需要对相关的参数进行初始化，如蚁群规模(蚂蚁数量)m、信息素重要程度因子α、启发函数重要程度因子β、信息素挥发因子ρ、信息素释放总量Q、最大迭代次数i t e r m a x iter_{max}itermax、迭代次数初值i t e r = 1 iter=1iter=1。
2.构建解空间
将各个蚂蚁随机地置于不同的出发地，对每个蚂蚁k ( k = 1 , 2 , ⋯ , m ) k(k=1,2,\dotsm,m)k(k=1,2,⋯,m)，按照转移概率公式计算其下一个待访问的城市，直到所有蚂蚁访问完所有的城市。
3.更新信息素
计算各个蚂蚁经过的路径长度L k ( k = 1 , 2 , . . . , m ) L_k(k=1,2,...,m)Lk(k=1,2,...,m)，记录当前迭代次数中的最优解(最短路径)。同时，根据信息素更新公式和ant cycle system模型对各个城市连接路径上的信息素浓度进行更新。
4.判断是否终止
若i t e r < i t e r m a x iter

三，MATLAB程序实现

%% I. 清空环境变量
clear all
clc

%% II. 导入数据
load citys_data.mat

%% III. 计算城市间相互距离
n = size(citys, 1);   % 城市的个数
D = zeros(n, n);
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;
        end
    end
end

%% IV. 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);   % 各代最佳路径长度
Length_ave = zeros(iter_max, 1);    % 各代路径的平均长度

%% V. 迭代寻找最佳路径
while iter <= iter_max
    iter
    % 随机产生各个蚂蚁的起点城市
    start = zeros(m, 1);
    for i = 1:m
        temp = randperm(n);     % 1~n的随机排列
        start(i) = temp(1);
    end
    Table(:, 1) = start;
    citys_index = 1:n;      % 城市索引
    % 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);
            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')

四，结果显示

图2 蚁群算法优化路径
图3 各代(轮)的最短距离与平均距离对比
Command window中的运行结果：

最短距离15601.9195
最短路径30  27  28  26  22  21  20  25   24   19   17   18   3   10   9  8   4  2  7  6  5  16  23  11  13  12  14  15  1  29  31   30

代码下载或者仿真咨询添加QQ1575304183

五，参考文献

[1] DORIGO M, GAMBARDELLA L M. Ant Colonies for the Traveling Salesman Problem[J]. BioSystes, 1997,43(2):73-81
[2] 郁磊等. MATLAB智能算法30个案例分析(第2版)[M].北京航空航天大学出版社.2015年.

标签：end,蚁群,Route,路径,iter,Length,源码,citys,TSP
来源： https://blog.51cto.com/u_15287693/2960398

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。

ICode9

【TSP问题】基于蚁群算法求解旅行商问题(TSP)matlab源码

文章目录