人工智能应用-实验4-蚁群算法求解 TSP

文章目录

    • 🧡🧡实验内容🧡🧡
    • 🧡🧡代码🧡🧡
    • 🧡🧡分析结果🧡🧡
    • 🧡🧡实验总结🧡🧡

🧡🧡实验内容🧡🧡

编写基于蚁群算法求解 TSP 问题的程序,分别求出 20 个城市之间和 50 个城市之间的最短路径。

🧡🧡代码🧡🧡

%% 清空环境变量
clear
clc
close all%% 导入数据
citys_31 = [ % 内陆的31个主要省会城市，不含港澳台116.407395, 39.904211;117.200983, 39.084158;114.514862, 38.042307;118.180193, 39.630867;112.549248, 37.857014;111.670801, 40.818311;123.431475, 41.805698;125.323544, 43.817071;126.534967, 45.803775;121.473701, 31.230416;118.796877, 32.060255;120.153576, 30.287459;117.227239, 31.820587;119.296494, 26.074508;115.892151, 28.676493;117.120019, 36.651216;113.665412, 34.757975;114.298572, 30.584355;112.938814, 28.228209;113.264434, 23.129162;108.320004, 22.82402;110.33119, 20.031971;104.065735, 30.659462;106.713478, 26.578343;102.712251, 25.040609;108.948024, 34.263161;103.834303, 36.061089;101.778228, 36.617144;91.132212, 29.660361;106.278179, 38.46637;87.617733, 43.792818;
];
citys_50=[110.469286198181   50.4746691410186;92.5266910201309   42.7595185867962;85.8168137464198   33.3510745658952;103.005033088825   37.3718509138302;115.815409819431   32.4287938317344;125.720207837641   42.4575314260683;83.1496903823127   46.5890781381871;86.5692819178498   51.4168621571695;95.8073622632917   48.1280677266756;130.620267741678   45.2905464411555;82.7428601931531   35.0371447515392;124.230437470352   29.5943527737754;108.307261544677   43.8646083607653;105.837300942493   15.7127956890334;126.891027665425   44.3382449137088;109.501233625833   32.4217551748842;114.895073617088   40.9239984204817;115.95881   51.4517223372703;119.640883772243   22.7559646793684;101.482506618948   29.0125930804905;122.579272261262   44.4500855598353;128.423962506030   18.5572682527589;87.3523632932626   20.6025092238485;129.029503867517   33.8399355659161;109.540700690432   26.3141382912873;130.445329656714   23.6507514948169;84.9868745956852   39.5895240262594;103.812894324380   49.5222693078745;73.7535688054273   38.4530364608632;124.603837227041   37.1160006808058;74.9217946493522   35.8982407433328;89.2026003945863   36.0532693055382;107.891311021032   20.5177333856848;104.321662298107   47.3711070688777;80.5936363842351   52.6694785312550;133.111293665466   40.2547112805644;88.3720406809424   25.9026846100506;133.072259309913   25.7819126780322;120.466021232856   19.2388485754945;77.5238676167198   48.1650585535397;76.5154109411933   34.5941955801035;107.205075462786   30.6395114651284;95.2040830320626   23.4266972302777;81.3734952157783   26.2383951416844;80.4755943569925   22.1074033577527;78.2814334811311   24.0545780185756;83.0016130798109   37.5738520876487;113.203798272594   14.2722816613816;122.804520260080   46.8178856055774;116.735480758245   23.4382459106337;
];%% 计算城市间相互距离
citys = citys_31;
n = size(citys,1);
D = zeros(n,n);
for i = 1:nfor j = 1:nif i ~= jD(i,j) = sqrt(sum((citys(i,:) - citys(j,:)).^2));elseD(i,j) = 1e-4;endend    
end%% 初始化参数
rng(66)                              % 随机因子，确保程序每次运行结果相同
m = 35;                              % 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);     % 各代最佳路径的长度  
Length_ave = zeros(iter_max,1);      % 各代路径的平均长度  tic; % 开始计时
%% 迭代寻找最佳路径
while iter <= iter_max% 随机产生各个蚂蚁的起点城市start = zeros(m,1);for i = 1:mtemp = randperm(n);start(i) = temp(1);endTable(:,1) = start; % 构建解空间citys_index = 1:n;% 逐个蚂蚁路径选择for i = 1:m% 逐个城市路径选择for j = 2:ntabu = 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;endP = 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;endend% 计算各个蚂蚁的路径距离Length = zeros(m,1);for i = 1:mRoute = Table(i,:);for j = 1:(n - 1)Length(i) = Length(i) + D(Route(j),Route(j + 1));endLength(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_LengthRoute_best(iter,:) = Table(min_index,:);elseRoute_best(iter,:) = Route_best((iter-1),:);endend% 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);
%               Delta_Tau(Table(i,j),Table(i,j+1)) = Delta_Tau(Table(i,j),Table(i,j+1)) + Q/D(j,j+1);
%               Delta_Tau(Table(i,j),Table(i,j+1)) = Delta_Tau(Table(i,j),Table(i,j+1)) + Q;endDelta_Tau(Table(i,n),Table(i,1)) = Delta_Tau(Table(i,n),Table(i,1)) + Q/Length(i);
%           Delta_Tau(Table(i,n),Table(i,1)) = Delta_Tau(Table(i,n),Table(i,1)) + Q/D(n,1); 
%           Delta_Tau(Table(i,n),Table(i,1)) = Delta_Tau(Table(i,n),Table(i,1)) + Q; endTau = (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
elapsedTime = toc;% 结束计时%% 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)])]);
disp(['程序运行时间：', num2str(elapsedTime), '秒']);%% 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', 'Color', 'red');
text(citys(Shortest_Route(end),1),citys(Shortest_Route(end),2),'       终点', 'Color', 'red');
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')

🧡🧡分析结果🧡🧡

为贴合现实情况，并且有利于研究TSP，我采用中国内陆的31个省会城市作为数据1，对于50个城市，我选择随机生成经纬度在一定范围内的城市坐标，然后保持起来，作为数据。
在这里插入图片描述
设置参数如下：
在这里插入图片描述
31个城市的最短路径图和迭代最佳距离变化图如下
在这里插入图片描述
在这里插入图片描述
改变为50个城市时：
得到50个城市的最短路径图和迭代最佳距离变化图如下
在这里插入图片描述
在这里插入图片描述

分析蚁群算法和遗传算法的区别与联系以及蚁群算法的优缺点
区别：
蚁群算法主要是模拟蚂蚁在寻找食物时释放信息素的过程，通过信息素的积累来更新路径，实现优化。
遗传算法主要是利用生物进化的思想，通过种群的选择、交叉、变异等基本操作，不断优化进化得到更好的解。
联系：
蚁群算法和遗传算法都是基于集体智慧的思想，通过群体中个体之间的交互和信息共享来实现全局最优化。
蚁群算法的优缺点：

  • 优点：
    蚁群算法能够较好地保持全局探索能力，避免陷入局部最优解。
  • 缺点：
    蚁群算法对于问题的参数敏感，需要进行较多的参数设置和实验，才能得到较好的效果。并且算法的收敛速度相对较慢，可能需要较长的时间才能达到最优解（这次实验普遍运行3秒以上，而实验二中用遗传算法求解TSP普遍1秒之内）。

🧡🧡实验总结🧡🧡

理论理解方面：
给我感觉是和粒子群类似，通过定义一些公式，来实现启发式搜索：
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
简单来说就是对于所有蚂蚁，计算t时刻这只蚂蚁从城市i到城市j的概率，而这个概率与路径上信息素浓度相关，而信息浓度又与路径长度有关，因此让这只蚂蚁不断根据概率选择城市前往，在每一代从能得到这只蚂蚁的路径，也即一个解。对于信息素启发因子α，其值越大，表示信息素的浓度在转移中起的作用越大；β为启发函数重要程度因子，其值越大，表示启发函数在转移中的作用越大，即蚂蚁会以较大的概率转移到距离短的城市。当α=0时，算法就是传统的贪心算法，而当β=0时，就成了纯粹的正反馈的启发式算法。

代码实操方面：
有用到禁忌close表和open表，与BFS、DFS的搜索作用类似，记录哪些城市已经访问，哪些城市还没访问。实验中需要组合调试主要参数，而每次运行的收敛时间都相对来说比较长（也可能与我设置的迭代代数和城市规模过大有关），并且有时得出的解的质量其实并不能有太大差别，不敢保证搜到的就是全局最优，因此，对于城市规模较小的问题，可以先尝试使用其他算法求解理想最优值，以对实验结果进行更好的评估和判断。

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。如若转载，请注明出处：http://www.mzph.cn/bicheng/13751.shtml

如若内容造成侵权/违法违规/事实不符，请联系多彩编程网进行投诉反馈email:809451989@qq.com，一经查实，立即删除！

相关文章

【vue】封装的天气展示卡片，在线获取天气信息

【vue】封装的天气展示卡片，在线获取天气信息

源码 <template><div class"sen_weather_wrapper"><div class"sen_top_box"><div class"sen_left_box"><div class"sen_top"><div class"sen_city">山东</div><qctc-time cl…
阅读更多...
OCM认证考试难吗？

OCM认证考试难吗？

OCM&#xff08;Oracle Certified Master&#xff09;认证考试是Oracle公司提供的最高级别的专业认证&#xff0c;它确实被认为是非常具有挑战性的考试。以下是关于OCM认证考试难度的一些关键点&#xff1a; 深入的技术要求&#xff1a;OCM认证不仅要求考生具备Oracle数据库的…
阅读更多...
VR直播：改变我们的直播方式，让现场触手可及

VR直播：改变我们的直播方式，让现场触手可及

VR直播是近期比较火爆的一种直播方式&#xff0c;相信在抖音上我们都刷到过转动手机、变换视角的VR直播&#xff0c;因为形式比较新颖&#xff0c;用户的参与度比较高&#xff0c;一场直播下来用户的打赏也是较为可观的。 不仅仅在直播行业&#xff0c;在众多应用领域中&#…
阅读更多...
软件下载系统asp.net

软件下载系统asp.net

本项目实现电子书下载网站的功能&#xff0c;实现文章、管理员分类&#xff0c;友情连接的管理以及对前台页面的静态化。网站前台实现对电子书的详细信息介绍和提供下载。 说明文档 运行前附加数据库.mdf&#xff08;或sql生成数据库&#xff09; 主要技术&#xff1a; 基于a…
阅读更多...
K8S认证|CKA题库+答案| 7. 调度 pod 到指定节点

K8S认证|CKA题库+答案| 7. 调度 pod 到指定节点

7、调度 pod 到指定节点 您必须在以下Clusterd/Node上完成此考题&#xff1a; Cluster Master node Worker node hk8s master …
阅读更多...
交换机连接方式

交换机连接方式

一、级联方式 级联是将多个交换机或其他网络设备依次连接&#xff0c;形成一个层次结构&#xff0c;从而扩展网络的覆盖范围和端口数量。 在级联连接中&#xff0c;数据信号会从一个设备依次传递到下一个设备。每个设备都会接收并处理来自上级设备的数据&#xff0c;并将其转…
阅读更多...
JVM学习-垃圾回收(三)

JVM学习-垃圾回收(三)

System.gc 通过System.gc()或Runtime.getRuntime().gc()的调用&#xff0c;会显示触发Full GC&#xff0c;同时对老年代和方法区进行回收&#xff0c;尝试释放被丢弃对象占用的内存然后System.gc()调用附带一个免责声明&#xff0c;无法保证对垃圾收集器的调用JVM实现者可以通…
阅读更多...
欢聚笔试题求助帖

欢聚笔试题求助帖

事情是这样的&#xff0c;这段时间一直在求职投简历&#xff0c;期望在暑假之前接到一份大数据开发的实习工作。投了很多公司&#xff0c;然后就收到了欢聚的笔试邀约&#xff0c;HR说要我一天之内做出来&#xff0c;恰巧第二天还有组会要汇报&#xff0c;我就先放下了&#xf…
阅读更多...
2024年信息素养大赛图形化编程、Python、算法创真题汇总

2024年信息素养大赛图形化编程、Python、算法创真题汇总

2024年信息素养大赛编程赛道初赛&#xff08;Scratch图形化编程、Python、C算法创意&#xff09;已经结束&#xff0c;根据Scratch实验室的了解全国青少年信息素养大赛初赛晋级及初赛成绩内容如下&#xff1a; 1.参赛选手将在 5 个工作日(节假日不计在内)内&#xff0c;通过信…
阅读更多...
在docker中ubuntu的apt-get慢的优化办法

在docker中ubuntu的apt-get慢的优化办法

apt-get慢的优化办法 1. 选择一个更快的镜像源2.使用 apt-get 的 Acquire::http 选项3. 其他通用优化4.修改 /etc/apt/sources.list.d/debian.source5.如果 /etc/apt/sources.list.d/ 中有多个文件6.在 Docker 中修改源(debian修改办法) 1. 选择一个更快的镜像源 Debian&#…
阅读更多...
K8s-yaml文件

K8s-yaml文件

一.Yaml文件详解&#xff1a; Kubernetes 支持 YAML 和 JSON 格式管理资源对象 JSON 格式&#xff1a;主要用于 api 接口之间消息的传递YAML 格式&#xff1a;用于配置和管理&#xff0c;YAML 是一种简洁的非标记性语言&#xff0c;内容格式人性化&#xff0c;较易读 YAML 语…
阅读更多...
14、设计模式之访问者模式

14、设计模式之访问者模式

访问者模式 在访问者模式&#xff08;Visitor Pattern&#xff09;中&#xff0c;我们使用了一个访问者类&#xff0c;它改变了元素类的执行算法。通过这种方式&#xff0c;元素的执行算法可以随着访问者改变而改变。这种类型的设计模式属于行为型模式。根据模式&#xff0c;元…
阅读更多...
汽车IVI中控开发入门及进阶（十八）：显示技术之Frame Buffer帧缓冲器

汽车IVI中控开发入门及进阶（十八）：显示技术之Frame Buffer帧缓冲器

Frame Buffer帧缓冲器（帧缓冲器，有时是帧存储器）是随机存取存储器（RAM）的一部分，包含驱动视频显示器的位图。它是一个内存缓冲区，包含表示完整视频帧中所有像素的数据。现代视频卡的核心包含帧缓冲电路。该电路将内存中的位图转换为可以在计算机监视器上显示的视频信号。…
阅读更多...
每日5题Day9 - LeetCode 41 - 45

每日5题Day9 - LeetCode 41 - 45

每一步向前都是向自己的梦想更近一步&#xff0c;坚持不懈&#xff0c;勇往直前&#xff01; 第一题&#xff1a;41. 缺失的第一个正数 - 力扣&#xff08;LeetCode&#xff09; 今天这道题没有ac&#xff0c;写不动了&#xff0c;下次再通过吧&#xff0c;先给个半成品下次回…
阅读更多...
MySQL主从复制+读写分离（ShardingJDBC）

MySQL主从复制+读写分离（ShardingJDBC）

MySQL主从复制读写分离 MySQL主从复制介绍二进制日志&#xff1a; MySQL的主从复制原理如下搭建主从复制准备工作主库配置从库配置 测试 读写分离案例ShardingJDBC介绍数据库环境初始工程导入读写分离配置测试1). 保存数据2). 修改数据3). 查询数据4). 删除数据 MySQL主从复制 …
阅读更多...
音频数据集大全（2）-语音合成

音频数据集大全（2）-语音合成

1、Speechocean762 简介&#xff1a;一个开源语音语料库&#xff0c;专为发音评估设计。该语料库包含来自250名非母语人士的5000个英语发音&#xff0c;其中一半的人是儿童。五位专家对每个发音进行了句子级、词级和音素级的注释。 该语料库允许用于商业和非商业目的。 下载…
阅读更多...
adb 汇总

adb 汇总

常用命令 adb devices 查看链接设备列表 adb kill-server 关闭并清楚所有链接 adb connect 设置链接 adb tcpip 该条命令是设置网络adb监听的端口&#xff0c;5555是默认&#xff0c;也可以设置其他的&#xff0c;在安卓设备重启后会失效&#xff0c;不需要root权限&#x…
阅读更多...
vue 拷贝

vue 拷贝

在 Vue.js 中，拷贝对象或数组是常见的操作，尤其是在处理状态管理或数据变更时。Vue 2 和 Vue 3 都提供了多种方法来实现对象和数组的拷贝。以下是详细的说明和示例： Vue 2 中的拷贝 1. 浅拷贝 浅拷贝只复制对象或数组的第一层属性，深层属性仍然引用原对象或数组。 使用 …
阅读更多...
【C++】多态（多态的原理）

【C++】多态（多态的原理）

在本篇博客中&#xff0c;作者将会带领你深入理解C中的多态。 声明&#xff01;&#xff01;&#xff01;本代码以及讲解都是在32位机器下进行完成的&#xff0c;64位机器下会有所不同&#xff0c;但大同小异。 一.多态的概念 什么是多态&#xff1f; 多态就是不同的对象去做…
阅读更多...
Linux如何通过md5校验远程传输的内容的完整性（随手记）

Linux如何通过md5校验远程传输的内容的完整性（随手记）

对需要校验的文件生成md5值&#xff0c;并保存 find /etc/ -type f | xargs md5sum > etc.md5校验 md5sum --check etc.md5Linux 中的 md5sum 命令 md5sum 是一个在 Linux 和 Unix 系统中广泛使用的命令行工具&#xff0c;用于计算和检查文件的 MD5&#xff08;Message D…
阅读更多...
最新文章

Copyright @ 2022~2023