Python 蟻群算法詳解
蟻群算法簡介
蟻群算法(Ant Clony Optimization, ACO)是一種群智能算法,它是由一群無智能或有輕微智能的個體(Agent)通過相互協作而表現出智能行為,從而為求解復雜問題提供瞭一個新的可能性。蟻群算法最早是由意大利學者Colorni A., Dorigo M. 等於1991年提出。經過20多年的發展,蟻群算法在理論以及應用研究上已經得到巨大的進步。
蟻群算法是一種仿生學算法,是由自然界中螞蟻覓食的行為而啟發的。在自然界中,螞蟻覓食過程中,蟻群總能夠按照尋找到一條從蟻巢和食物源的最優路徑。下圖顯示瞭這樣一個覓食的過程。
在圖(a)中,有一群螞蟻,假如A是蟻巢,E是食物源(反之亦然)。這群螞蟻將沿著蟻巢和食物源之間的直線路徑行駛。假如在A和E之間突然出現瞭一個障礙物(圖(b)),那麼,在B點(或D點)的螞蟻將要做出決策,到底是向左行駛還是向右行駛?由於一開始路上沒有前面螞蟻留下的 信息素(pheromone) ,螞蟻朝著兩個方向行進的概率是相等的。但是當有螞蟻走過時,它將會在它行進的路上釋放出信息素,並且這種信息素會議一定的速率散發掉。信息素是螞蟻之間交流的工具之一。它後面的螞蟻通過路上信息素的濃度,做出決策,往左還是往右。很明顯,沿著短邊的的路徑上信息素將會越來越濃(圖(c)),從而吸引瞭越來越多的螞蟻沿著這條路徑行駛。
TSP問題描述
蟻群算法最早用來求解TSP問題,並且表現出瞭很大的優越性,因為它分佈式特性,魯棒性強並且容易與其它算法結合,但是同時也存在這收斂速度慢,容易陷入局部最優(local optimal)等缺點。
TSP問題(Travel Salesperson Problem,即旅行商問題或者稱為中國郵遞員問題),是一種NP-hard問題,此類問題用一般的算法是很難得到最優解的,所以一般需要借助一些啟發式算法求解,例如遺傳算法(GA),蟻群算法(ACO),微粒群算法(PSO)等等。
TSP問題(旅行商問題)是指旅行傢要旅行n個城市,要求各個城市經歷且僅經歷一次 然後回到出發城市,並要求所走的路程最短。
一個TSP問題可以表達為:求解遍歷圖G=(V,E,C),所有的節點一次並且回到起始節點,使得連接這些節點的路徑成本最低。
蟻群算法原理
假如蟻群中所有螞蟻的數量為m,所有城市之間的信息素用矩陣pheromone表示,最短路徑為bestLength,最佳路徑為bestTour。每隻螞蟻都有自己的內存,內存中用一個禁忌表(Tabu)來存儲該螞蟻已經訪問過的城市,表示其在以後的搜索中將不能訪問這些城市;還有用另外一個允許訪問的城市表(Allowed)來存儲它還可以訪問的城市;另外還用一個矩陣(Delta)來存儲它在一個循環(或者迭代)中給所經過的路徑釋放的信息素;還有另外一些數據,例如一些控制參數(α,β,ρ,Q),該螞蟻行走玩全程的總成本或距離(tourLength),等等。假定算法總共運行MAX_GEN次,運行時間為t。
蟻群算法計算過程如下:
(1)初始化。
(2)為每隻螞蟻選擇下一個節點。
(3)更新信息素矩陣。
(4)檢查終止條件
如果達到最大代數MAX_GEN,算法終止,轉到第(5)步;否則,重新初始化所有的螞蟻的Delt矩陣所有元素初始化為0,Tabu表清空,Allowed表中加入所有的城市節點。隨機選擇它們的起始位置(也可以人工指定)。在Tabu中加入起始節點,Allowed中去掉該起始節點,重復執行(2),(3),(4)步。
(5)輸出最優值
代碼實現
# -*- coding: utf-8 -*- import random import copy import time import sys import math import tkinter #//GUI模塊 import threading from functools import reduce # 參數 ''' ALPHA:信息啟發因子,值越大,則螞蟻選擇之前走過的路徑可能性就越大 ,值越小,則蟻群搜索范圍就會減少,容易陷入局部最優 BETA:Beta值越大,蟻群越就容易選擇局部較短路徑,這時算法收斂速度會 加快,但是隨機性不高,容易得到局部的相對最優 ''' (ALPHA, BETA, RHO, Q) = (1.0,2.0,0.5,100.0) # 城市數,蟻群 (city_num, ant_num) = (50,50) distance_x = [ 178,272,176,171,650,499,267,703,408,437,491,74,532, 416,626,42,271,359,163,508,229,576,147,560,35,714, 757,517,64,314,675,690,391,628,87,240,705,699,258, 428,614,36,360,482,666,597,209,201,492,294] distance_y = [ 170,395,198,151,242,556,57,401,305,421,267,105,525, 381,244,330,395,169,141,380,153,442,528,329,232,48, 498,265,343,120,165,50,433,63,491,275,348,222,288, 490,213,524,244,114,104,552,70,425,227,331] #城市距離和信息素 distance_graph = [ [0.0 for col in range(city_num)] for raw in range(city_num)] pheromone_graph = [ [1.0 for col in range(city_num)] for raw in range(city_num)] #----------- 螞蟻 ----------- class Ant(object): # 初始化 def __init__(self,ID): self.ID = ID # ID self.__clean_data() # 隨機初始化出生點 # 初始數據 def __clean_data(self): self.path = [] # 當前螞蟻的路徑 self.total_distance = 0.0 # 當前路徑的總距離 self.move_count = 0 # 移動次數 self.current_city = -1 # 當前停留的城市 self.open_table_city = [True for i in range(city_num)] # 探索城市的狀態 city_index = random.randint(0,city_num-1) # 隨機初始出生點 self.current_city = city_index self.path.append(city_index) self.open_table_city[city_index] = False self.move_count = 1 # 選擇下一個城市 def __choice_next_city(self): next_city = -1 select_citys_prob = [0.0 for i in range(city_num)] #存儲去下個城市的概率 total_prob = 0.0 # 獲取去下一個城市的概率 for i in range(city_num): if self.open_table_city[i]: try : # 計算概率:與信息素濃度成正比,與距離成反比 select_citys_prob[i] = pow(pheromone_graph[self.current_city][i], ALPHA) * pow((1.0/distance_graph[self.current_city][i]), BETA) total_prob += select_citys_prob[i] except ZeroDivisionError as e: print ('Ant ID: {ID}, current city: {current}, target city: {target}'.format(ID = self.ID, current = self.current_city, target = i)) sys.exit(1) # 輪盤選擇城市 if total_prob > 0.0: # 產生一個隨機概率,0.0-total_prob temp_prob = random.uniform(0.0, total_prob) for i in range(city_num): if self.open_table_city[i]: # 輪次相減 temp_prob -= select_citys_prob[i] if temp_prob < 0.0: next_city = i break # 未從概率產生,順序選擇一個未訪問城市 # if next_city == -1: # for i in range(city_num): # if self.open_table_city[i]: # next_city = i # break if (next_city == -1): next_city = random.randint(0, city_num - 1) while ((self.open_table_city[next_city]) == False): # if==False,說明已經遍歷過瞭 next_city = random.randint(0, city_num - 1) # 返回下一個城市序號 return next_city # 計算路徑總距離 def __cal_total_distance(self): temp_distance = 0.0 for i in range(1, city_num): start, end = self.path[i], self.path[i-1] temp_distance += distance_graph[start][end] # 回路 end = self.path[0] temp_distance += distance_graph[start][end] self.total_distance = temp_distance # 移動操作 def __move(self, next_city): self.path.append(next_city) self.open_table_city[next_city] = False self.total_distance += distance_graph[self.current_city][next_city] self.current_city = next_city self.move_count += 1 # 搜索路徑 def search_path(self): # 初始化數據 self.__clean_data() # 搜素路徑,遍歷完所有城市為止 while self.move_count < city_num: # 移動到下一個城市 next_city = self.__choice_next_city() self.__move(next_city) # 計算路徑總長度 self.__cal_total_distance() #----------- TSP問題 ----------- class TSP(object): def __init__(self, root, width = 800, height = 600, n = city_num): # 創建畫佈 self.root = root self.width = width self.height = height # 城市數目初始化為city_num self.n = n # tkinter.Canvas self.canvas = tkinter.Canvas( root, width = self.width, height = self.height, bg = "#EBEBEB", # 背景白色 xscrollincrement = 1, yscrollincrement = 1 ) self.canvas.pack(expand = tkinter.YES, fill = tkinter.BOTH) self.title("TSP蟻群算法(n:初始化 e:開始搜索 s:停止搜索 q:退出程序)") self.__r = 5 self.__lock = threading.RLock() # 線程鎖 self.__bindEvents() self.new() # 計算城市之間的距離 for i in range(city_num): for j in range(city_num): temp_distance = pow((distance_x[i] - distance_x[j]), 2) + pow((distance_y[i] - distance_y[j]), 2) temp_distance = pow(temp_distance, 0.5) distance_graph[i][j] =float(int(temp_distance + 0.5)) # 按鍵響應程序 def __bindEvents(self): self.root.bind("q", self.quite) # 退出程序 self.root.bind("n", self.new) # 初始化 self.root.bind("e", self.search_path) # 開始搜索 self.root.bind("s", self.stop) # 停止搜索 # 更改標題 def title(self, s): self.root.title(s) # 初始化 def new(self, evt = None): # 停止線程 self.__lock.acquire() self.__running = False self.__lock.release() self.clear() # 清除信息 self.nodes = [] # 節點坐標 self.nodes2 = [] # 節點對象 # 初始化城市節點 for i in range(len(distance_x)): # 在畫佈上隨機初始坐標 x = distance_x[i] y = distance_y[i] self.nodes.append((x, y)) # 生成節點橢圓,半徑為self.__r node = self.canvas.create_oval(x - self.__r, y - self.__r, x + self.__r, y + self.__r, fill = "#ff0000", # 填充紅色 outline = "#000000", # 輪廓白色 tags = "node", ) self.nodes2.append(node) # 顯示坐標 self.canvas.create_text(x,y-10, # 使用create_text方法在坐標(302,77)處繪制文字 text = '('+str(x)+','+str(y)+')', # 所繪制文字的內容 fill = 'black' # 所繪制文字的顏色為灰色 ) # 順序連接城市 #self.line(range(city_num)) # 初始城市之間的距離和信息素 for i in range(city_num): for j in range(city_num): pheromone_graph[i][j] = 1.0 self.ants = [Ant(ID) for ID in range(ant_num)] # 初始蟻群 self.best_ant = Ant(-1) # 初始最優解 self.best_ant.total_distance = 1 << 31 # 初始最大距離 self.iter = 1 # 初始化迭代次數 # 將節點按order順序連線 def line(self, order): # 刪除原線 self.canvas.delete("line") def line2(i1, i2): p1, p2 = self.nodes[i1], self.nodes[i2] self.canvas.create_line(p1, p2, fill = "#000000", tags = "line") return i2 # order[-1]為初始值 reduce(line2, order, order[-1]) # 清除畫佈 def clear(self): for item in self.canvas.find_all(): self.canvas.delete(item) # 退出程序 def quite(self, evt): self.__lock.acquire() self.__running = False self.__lock.release() self.root.destroy() print (u"\n程序已退出...") sys.exit() # 停止搜索 def stop(self, evt): self.__lock.acquire() self.__running = False self.__lock.release() # 開始搜索 def search_path(self, evt = None): # 開啟線程 self.__lock.acquire() self.__running = True self.__lock.release() while self.__running: # 遍歷每一隻螞蟻 for ant in self.ants: # 搜索一條路徑 ant.search_path() # 與當前最優螞蟻比較 if ant.total_distance < self.best_ant.total_distance: # 更新最優解 self.best_ant = copy.deepcopy(ant) # 更新信息素 self.__update_pheromone_gragh() print (u"迭代次數:",self.iter,u"最佳路徑總距離:",int(self.best_ant.total_distance)) # 連線 self.line(self.best_ant.path) # 設置標題 self.title("TSP蟻群算法(n:隨機初始 e:開始搜索 s:停止搜索 q:退出程序) 迭代次數: %d" % self.iter) # 更新畫佈 self.canvas.update() self.iter += 1 # 更新信息素 def __update_pheromone_gragh(self): # 獲取每隻螞蟻在其路徑上留下的信息素 temp_pheromone = [[0.0 for col in range(city_num)] for raw in range(city_num)] for ant in self.ants: for i in range(1,city_num): start, end = ant.path[i-1], ant.path[i] # 在路徑上的每兩個相鄰城市間留下信息素,與路徑總距離反比 temp_pheromone[start][end] += Q / ant.total_distance temp_pheromone[end][start] = temp_pheromone[start][end] # 更新所有城市之間的信息素,舊信息素衰減加上新迭代信息素 for i in range(city_num): for j in range(city_num): pheromone_graph[i][j] = pheromone_graph[i][j] * RHO + temp_pheromone[i][j] # 主循環 def mainloop(self): self.root.mainloop() #----------- 程序的入口處 ----------- if __name__ == '__main__': TSP(tkinter.Tk()).mainloop()
總結
本篇文章就到這裡瞭,希望能夠給你帶來幫助,也希望您能夠多多關註WalkonNet的更多內容!
推薦閱讀:
- Python GUI之tkinter詳解
- Python使用tkinter實現小時鐘效果
- Tkinter canvas的畫佈參數,刪除組件,添加垂直滾動條詳解
- tkinter使用js的canvas實現漸變色
- python Tkinter是什麼