计算智能 | 蚁群算法——旅行商问题(TSP)python

2023-12-18 14:47:48

目录

一、求解TSP(city31)问题的python代码?

二、python运行结果


一、求解TSP(city31)问题的python代码?

import numpy as np
import random
import matplotlib.pyplot as plt
plt.rcParams['font.sans-serif']=['SimHei']
plt.rcParams['axes.unicode_minus']=False

class ACA_TSP:

    def __init__(self,n,X,Y,m,N,Q,P,alpha,beta):
        '''
        :param n: 城市数量
        :param X: 城市的横坐标
        :param Y: 城市的纵坐标
        :param m: 蚁群规模
        :param N: 最大迭代步数
        :param Q: 蚂蚁循环一周或一个过程在经过的路径上所释放的信息素总量
        :param P: 信息素挥发系数
        :param alpha: 信息启发式因子
        :param beta: 期望启发式因子
        '''
        self.n=n
        self.X=X
        self.Y=Y
        self.m=m
        self.N=N
        self.Q=Q
        self.P=P
        self.alpha=alpha
        self.beta=beta


    def distance(self):
        '''
        return: 所有城市之间的距离矩阵
        '''
        D=np.zeros((self.n,self.n))
        for i in range(self.n):
            for j in range(self.n):
                D[i][j]=np.sqrt((self.X[i]-self.X[j])**2+(self.Y[i]-self.Y[j])**2)
        return D


    def initial_X(self):
        #随机生成初始路径
        X0=random.sample(range(self.n),self.n)
        return X0


    def initial_tao(self,X0,D):
        '''
        :param X0: 初始路径
        :param D: 距离矩阵
        :return: 初始信息素浓度
        '''

        #计算初始路径长度
        S=0
        for i in range(self.n):
            if i!=self.n-1:
                S=S+D[X0[i]][X0[i+1]]
            else:
                S=S+D[X0[i]][X0[0]]

        #计算初始信息素浓度
        tao_00=self.m/S

        tao_0=np.zeros((self.n,self.n))
        tao_0=tao_0+tao_00

        return tao_0


    def initial_city(self):
        #为每只蚂蚁随机选择出发城市
        initial=[random.randint(0,self.n-1) for i in range(self.m)]
        return initial


    '''一只蚂蚁在一次周期内选择路径的过程'''
    def seek(self,initial,tao,D):
        '''
        :param initial: 蚂蚁出发的城市序号
        :param tao: 信息素浓度矩阵
        :param D: 距离矩阵
        :return: 蚂蚁最终选择的路径
        '''

        #存储已经遍历的城市
        ls=[]
        ls.append(initial)

        for i in range(self.n-1):
            #蚂蚁未经过的城市序号
            l=[]
            for j in range(self.n):
                if j not in ls:
                    l.append(j)

            if len(l)==1:
                ls.append(l[-1])
            else:
                #计算蚂蚁下一次访问某个城市的概率
                ratio_l0=[]
                for j in range(len(l)):
                    r=(tao[ls[-1]][l[j]]**self.alpha)*((1/D[ls[-1]][l[j]])**self.beta)
                    ratio_l0.append(r)
                #得到概率
                ratio_l=[ratio_l0[j]/sum(ratio_l0) for j in range(len(ratio_l0))]

                #计算累计概率
                ratio_cum=[0]
                for j in range(len(ratio_l)):
                    cum=ratio_cum[-1]+ratio_l[j]
                    ratio_cum.append(cum)

                #用轮盘赌选择算法选择下一个访问城市
                q=random.uniform(0,1)
                for j in range(1,len(ratio_cum)):
                    if q>=ratio_cum[j-1] and q<ratio_cum[j]:
                        ls.append(l[j-1])

        #返回最终选择的路径
        return ls


    '''信息素浓度增量(使用蚁周模型)'''
    def add_tao(self,ls,D):
        '''
        :param ls: 蚂蚁选择的路径
        :param D: 距离矩阵
        :return: 信息素增量
        '''

        #计算路径长度
        s=0
        for i in range(self.n):
            if i!=self.n-1:
                s=s+D[ls[i]][ls[i+1]]
            else:
                s=s+D[ls[i]][ls[0]]

        #初始化信息素增量
        add=np.zeros((self.n,self.n))

        for i in range(self.n):
            if i!=self.n-1:
                add[ls[i]][ls[i+1]]+=self.Q/s
                add[ls[i+1]][ls[i]]+=self.Q/s
            else:
                add[ls[i]][ls[0]]+=self.Q/s
                add[ls[0]][ls[i]]+=self.Q/s

        return add


    '''使用蚁群算法求解旅行商问题'''
    def TSP(self):

        #得到初始路径
        initial_X0=ACA_TSP.initial_X(self)

        #各个城市之间的距离矩阵
        D=ACA_TSP.distance(self)

        #初始信息素浓度矩阵
        tao_0=ACA_TSP.initial_tao(self,initial_X0,D)

        #存储历史最优路径
        best_X=[]

        #存储历史最短距离
        best_S=[]

        for i in range(self.N):
            #为每只蚂蚁随机选择出发的城市
            initial_city=ACA_TSP.initial_city(self)

            #存储每只蚂蚁最后选择的路径
            X=[]

            #存储每只蚂蚁最后选择的路径的长度
            S=[]

            #初始化信息素浓度增量
            add=np.zeros((self.n,self.n))

            for j in range(self.m):
                #选择路径
                X_choose=ACA_TSP.seek(self,initial_city[j],tao_0,D)
                X.append(X_choose)
                #选择的路径长度
                s=0
                for k in range(self.n):
                    if k!=self.n-1:
                        s=s+D[X_choose[k]][X_choose[k+1]]
                    else:
                        s=s+D[X_choose[k]][X_choose[0]]
                S.append(s)

                #计算信息素浓度增量
                add_tao=ACA_TSP.add_tao(self,X_choose,D)
                add=add+add_tao

            #得到所有蚂蚁的最短距离
            best_S0=min(S)

            #得到所有蚂蚁的最优路径
            best_X0=X[np.argmin(S)]

            if len(best_X)==0:
                best_X.append(best_X0)
                best_S.append(best_S0)
            else:
                if best_S0<best_S[-1]:
                    best_X.append(best_X0)
                    best_S.append(best_S0)
                else:
                    best_X.append(best_X[-1])
                    best_S.append(best_S[-1])

            #更新信息素浓度
            tao_0=tao_0*(1-self.P)+add_tao

        #绘制优化过程
        fig=plt.figure(facecolor="snow")
        plt.plot(range(self.N),best_S,color="tomato",label='最短距离')
        plt.legend()
        plt.grid()
        plt.xlabel("代数")
        plt.ylabel("最短距离")
        plt.title("蚁群算法——TSP的优化过程")

        #绘制最优路径图
        path=best_X[-1]  #最优路径
        fig=plt.figure(facecolor="snow")
        plt.scatter(self.X,self.Y,color="red")
        for i in range(self.n):
            if i!=self.n-1:
                plt.plot([self.X[path[i]],self.X[path[i+1]]],[self.Y[path[i]],self.Y[path[i+1]]],color="plum")
            else:
                plt.plot([self.X[path[i]],self.X[path[0]]],[self.Y[path[i]],self.Y[path[0]]],color="plum")
        plt.xlabel("X")
        plt.ylabel("Y")
        plt.title("最优路径图")
        plt.show()

        #返回最优路径和最短距离
        return best_X[-1],best_S[-1]


'''主函数'''
if __name__=="__main__":

    '''城市的数量'''
    n=31

    '''定义31个城市的坐标'''
    city_x=[1304,3639,4177,3712,3488,3326,3238,4196,4312,4386,3007,2562,2788,
            2381,1332,3715,3918,4061,3780,3676,4029,4263,3429,3507,3394,3439,
            2935,3140,2545,2778,2370]
    city_y=[2312,1315,2244,1399,1535,1556,1229,1044,790,570,1970,1756,1491,
            1676,695,1678,2179,2370,2212,2578,2838,2931,1908,2376,2643,3201,
            3240,3550,2357,2826,2975]

    '''蚁群规模'''
    m=21

    '''最大迭代步数'''
    N=300

    '''蚂蚁循环一周或一个过程在经过的路径上所释放的信息素总量'''
    Q=20

    '''信息素挥发系数'''
    P=0.5

    '''信息启发式因子'''
    alpha=1

    '''期望启发式因子'''
    beta=3

    '''创建一个对象'''
    Tsp=ACA_TSP(n,city_x,city_y,m,N,Q,P,alpha,beta)

    best_X,best_S=Tsp.TSP()

    print("最短路径:\n{}".format(best_X))
    print("最短距离:\n{}".format(best_S))

二、python运行结果

当蚁群规模m=21,最大迭代步数N=300,蚂蚁循环一周或一个过程在经过的路径上所释放的信息素总量Q=20,信息素挥发系数\rho =0.1,信息启发式因子\alpha =1,期望启发式因子\beta =5,程序运行结果如下:

?

?

文章来源:https://blog.csdn.net/m0_70452407/article/details/135061070
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。