蚁群算法简介

1. 蚁群算法简介蚁群算法（Ant Clony Optimization，ACO）是一种群智能算法，它是由一群无智能或有轻微智能的个体（Agent）通过相互协作而表现出智能行为，从而为求解复杂问题提供了一个新的可能性。

蚁群算法最早是由意大利学者Colorni A., Dorigo M. 等于1991年提出。

经过20多年的发展，蚁群算法在理论以及应用研究上已经得到巨大的进步。

蚁群算法是一种仿生学算法，是由自然界中蚂蚁觅食的行为而启发的。

在自然界中，蚂蚁觅食过程中，蚁群总能够按照寻找到一条从蚁巢和食物源的最优路径。

图（1）显示了这样一个觅食的过程。

图（1）蚂蚁觅食在图1（a）中，有一群蚂蚁，假如A是蚁巢，E是食物源（反之亦然）。

这群蚂蚁将沿着蚁巢和食物源之间的直线路径行驶。

假如在A和E之间突然出现了一个障碍物（图1（b）），那么，在B点（或D点）的蚂蚁将要做出决策，到底是向左行驶还是向右行驶？由于一开始路上没有前面蚂蚁留下的信息素（pheromone），蚂蚁朝着两个方向行进的概率是相等的。

但是当有蚂蚁走过时，它将会在它行进的路上释放出信息素，并且这种信息素会议一定的速率散发掉。

信息素是蚂蚁之间交流的工具之一。

它后面的蚂蚁通过路上信息素的浓度，做出决策，往左还是往右。

很明显，沿着短边的的路径上信息素将会越来越浓（图1（c）），从而吸引了越来越多的蚂蚁沿着这条路径行驶。

2. TSP问题描述蚁群算法最早用来求解TSP问题，并且表现出了很大的优越性，因为它分布式特性，鲁棒性强并且容易与其它算法结合，但是同时也存在这收敛速度慢，容易陷入局部最优（local optimal）等缺点。

TSP问题（Travel Salesperson Problem，即旅行商问题或者称为中国邮递员问题），是一种，是一种NP-hard问题，此类问题用一般的算法是很大得到最优解的，所以一般需要借助一些启发式算法求解，例如遗传算法（GA），蚁群算法（ACO），微粒群算法（PSO）等等。

TSP问题可以分为两类，一类是对称TSP问题（Symmetric TSP），另一类是非对称问题（Asymmetric TSP）。

所有的TSP问题都可以用一个图（Graph）来描述：令V={c1, c2, …, c i, …, c n}，i = 1,2, …, n，是所有城市的集合. c i表示第i个城市， n为城市的数目；E={(r, s): r,s∈V}是所有城市之间连接的集合；C = {c rs: r,s∈V}是所有城市之间连接的成本度量（一般为城市之间的距离）；如果c rs = c sr, 那么该TSP问题为对称的，否则为非对称的。

一个TSP问题可以表达为：求解遍历图G = (V, E, C)，所有的节点一次并且回到起始节点，使得连接这些节点的路径成本最低。

3. 蚁群算法原理假如蚁群中所有蚂蚁的数量为m，所有城市之间的信息素用矩阵pheromone表示，最短路径为bestLength，最佳路径为bestTour。

每只蚂蚁都有自己的内存，内存中用一个禁忌表（Tabu）来存储该蚂蚁已经访问过的城市，表示其在以后的搜索中将不能访问这些城市；还有用另外一个允许访问的城市表（Allowed）来存储它还可以访问的城市；另外还用一个矩阵（Delta）来存储它在一个循环（或者迭代）中给所经过的路径释放的信息素；还有另外一些数据，例如一些控制参数（，，，Q），该蚂蚁行走玩全程的总成本或距离（tourLength），等等。

假定算法总共运行MAX_GEN次，运行时间为t。

蚁群算法计算过程如下：（1）初始化设t=0，初始化bestLength为一个非常大的数（正无穷），bestTour为空。

初始化所有的蚂蚁的Delt矩阵所有元素初始化为0，Tabu表清空，Allowed表中加入所有的城市节点。

随机选择它们的起始位置（也可以人工指定）。

在Tabu中加入起始节点，Allowed中去掉该起始节点。

（2）为每只蚂蚁选择下一个节点。

为每只蚂蚁选择下一个节点，该节点只能从Allowed中以某种概率（公式1）搜索到，每搜到一个，就将该节点加入到Tabu中，并且从Allowed中删除该节点。

该过程重复n-1次，直到所有的城市都遍历过一次。

遍历完所有节点后，将起始节点加入到Tabu中。

此时Tabu表元素数量为n+1（n为城市数量），Allowed元素数量为0。

接下来按照（公式2）计算每个蚂蚁的Delta矩阵值。

最后计算最佳路径，比较每个蚂蚁的路径成本，然后和bestLength比较，若它的路径成本比bestLength小，则将该值赋予bestLength，并且将其Tabu赋予BestTour。

（公式1）（公式2）其中表示选择城市j的概率，k表示第k个蚂蚁，表示城市i，j在第t时刻的信息素浓度，表示从城市i到城市j的可见度，，表示城市i，j之间的成本（或距离）。

由此可见越小，越大，也就是从城市i到j的可见性就越大。

表示蚂蚁k在城市i与j之间留下的信息素。

表示蚂蚁k经过一个循环（或迭代）锁经过路径的总成本（或距离），即tourLength. ，，Q均为控制参数。

（3）更新信息素矩阵令t = t + n，按照（公式3）更新信息素矩阵phermone。

（公式3）为t+n时刻城市i与j之间的信息素浓度。

为控制参数，为城市i与j之间信息素经过一个迭代后的增量。

并且有（公式4）其中由公式计算得到。

（4）检查终止条件如果达到最大代数MAX_GEN，算法终止，转到第（5）步；否则，重新初始化所有的蚂蚁的Delt矩阵所有元素初始化为0，Tabu表清空，Allowed表中加入所有的城市节点。

随机选择它们的起始位置（也可以人工指定）。

在Tabu中加入起始节点，Allowed中去掉该起始节点，重复执行（2），（3）,(4)步。

（5）输出最优值// AO.cpp : 定义控制台应用程序的入口点。

#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0m_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1m_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。