欢迎您的到来
??? 个人主页:电力系统科研室
专栏目录:电力系统与算法之美???
文章图片
【现在公众号名字改为:荔枝科研社】
?博主课外兴趣:中西方哲学,送予读者:
?做科研,涉及到一个深在的思想系统,需要科研者逻辑缜密,踏实认真,但是不能只是努力,很多时候借力比努力更重要,然后还要有仰望星空的创新点和启发点。在我这个专栏记录我有空时的一些哲学思考和科研笔记:科研和哲思。建议读者按目录次序逐一浏览,免得骤然跌入幽暗的迷宫找不到来时的路,它不足为你揭示全部问题的答案,但若能让人胸中升起一朵朵疑云,也未尝不会酿成晚霞斑斓的别一番景致,万一它居然给你带来了一场精神世界的苦雨,那就借机洗刷一下原来存放在那儿的“真理”上的尘埃吧。
或许,雨过云收,神驰的天地更清朗.......
文章图片
本文目录如下:??????
?
目录
1 知识点
1.1 蚁群算法步骤
1.2 蚁群算法程序
2 蚂蚁算法求解最短路径问题——Python实现
2.1 源码实现
2.2ACA_TSP实现
3 蚂蚁算法求解最短路径问题——Matlab实现
4 蚂蚁算法求解二次指派问题——Matlab实现
【#|基于改进的蚂蚁群算法求解最短路径问题、二次分配问题、背包问题【Matlab&Python代码实现】】5 蚂蚁算法求解背包问题——Matlab实现
6 改进蚂蚁算法——BP神经网络蚂蚁优化算法
7 写在最后
文章图片
1 知识点
详细知识点见:智能优化算法—蚁群算法(Python实现)
我们这一节知识点只讲蚁群算法求解最短路径步骤及流程。
1.1 蚁群算法步骤
设蚂蚁的数量为m,地点的数量为n,地点i与地点j之间相距Dij,t时刻地点i与地点j连接的路径上的信息素浓度为Sij,初始时刻每个地点间路径上的信息素浓度相等。
蚂蚁k根据各个地点间连接路径上的信息素决定下一个目标地点,Pijk表示t时刻蚂蚁k从地点i转移的概率,概率计算公式如下:
文章图片
上式中,
文章图片
为启发函数,
文章图片
,表示蚂蚁从地点i转移到地点j的期望程度;
文章图片
为蚂蚁k即将访问地点的集合,开始时
文章图片
中有n-1个元素(除出发地点),随时间的推移,蚂蚁每到达下一个地点,中的元素便减少一个,直至空集,即表示所有地点均访问完毕;a为信息素重要程度因子,值越大,表明信息素的浓度在转移中起到的作用越大,也就是说蚂蚁选择距离近的下一个地点的概率更大,β为启发函数重要程度因子。
蚂蚁在释放信息素的同时,每个地点间连接路径上的信息素逐渐消失,用参数
文章图片
表示信息素的挥发程度。因此,当所有蚂蚁完成一次循环后,每个地点间连接路径上的信息素浓度需更新,也就是有蚂蚁路过并且留下信息素,有公式表示为:
文章图片
其中,
文章图片
表示第k只蚂蚁在地点i与j连接路径上释放的信息素浓度;
文章图片
表示所有蚂蚁在地点i与j连接路径上释放的信息素浓度之和;Q为常数,表示蚂蚁循环一次所释放的信息素总量;Lk表示第k只蚂蚁经过路径的长度,总的来说,蚂蚁经过的路径越短,释放的信息素浓度越高,最终选出最短路径。
1.2 蚁群算法程序2 蚂蚁算法求解最短路径问题——Python实现 2.1 源码实现
(1)参数初始化
在寻最短路钱,需对程序各个参数进行初始化,蚁群规模m、信息素重要程度因子α、启发函数重要程度因子β、信息素会发因子、最大迭代次数ddcs_max,初始迭代值为ddcs=1。
(2)构建解空间
将每只蚂蚁随机放置在不同的出发地点,对蚂蚁访问行为按照公式计算下一个访问的地点,直到所有蚂蚁访问完所有地点。
(3)更新信息素
计算每只蚂蚁经过的路径总长Lk,记录当前循环中的最优路径,同时根据公式对各个地点间连接路径上的信息素浓度进行更新。
(4)判断终止
迭代次数达到最大值前,清空蚂蚁经过的记录,并返回步骤(2)。
智能优化算法—蚁群算法(Python实现)
2.2ACA_TSP实现
补充知识点:scipy.spatial.distance.cdist
#============导入相关库=================
import numpy as np
from scipy import spatial
import pandas as pd
import matplotlib.pyplot as plt
from sko.ACA import ACA_TSPnum_points = 25points_coordinate = np.random.rand(num_points, 2)# 生成点的坐标
distance_matrix = spatial.distance.cdist(points_coordinate, points_coordinate, metric='euclidean')#函数用于计算两个输入集合的距离def cal_total_distance(routine):
num_points, = routine.shape
return sum([distance_matrix[routine[i % num_points], routine[(i + 1) % num_points]] for i in range(num_points)])#=============ACA_TSP解决==================================aca = ACA_TSP(func=cal_total_distance, n_dim=num_points,
size_pop=50, max_iter=200,
distance_matrix=distance_matrix)best_x, best_y = aca.run()#=============可视化=======================fig, ax = plt.subplots(1, 2)
best_points_ = np.concatenate([best_x, [best_x[0]]])
best_points_coordinate = points_coordinate[best_points_, :]
ax[0].plot(best_points_coordinate[:, 0], best_points_coordinate[:, 1], 'o-r')
pd.DataFrame(aca.y_best_history).cummin().plot(ax=ax[1])
plt.show()
3 蚂蚁算法求解最短路径问题——Matlab实现
文章图片
文章图片
完整代码点这里: 蚂蚁算法求解最短路径
文章图片
4 蚂蚁算法求解二次指派问题——Matlab实现 在社会网络分析中,有一种方法用来研究关系之间的关系,通俗来讲,就是研究两个方阵的相关性和回归性。这种方法叫做QAP(Quadratic Assignment Procedure,二次指派程序)。它对两个方阵各个格值的相似性进行比较,给出两个矩阵之间的相关系数,同时对系数进行非参数检验,它以对矩阵数据的置换为基础。
QAP与其他标准的统计程序的不同之处在于,矩阵的各个值之间不相互独立,因此用许多标准的统计程序就不能对其进行参数估计和统计检验,否则会计算出错误的标准差。对于这个问题,学者们利用一种随机化检验方法(randomization test)来检验,QAP属于其中一种。
文章图片
文章图片
文章图片
完整代码需要点这里:蚂蚁算法求解二次指派问题
文章图片
5 蚂蚁算法求解背包问题——Matlab实现
文章图片
文章图片
完整代码点这里:蚂蚁算法求解背包问题
文章图片
6 改进蚂蚁算法——BP神经网络蚂蚁优化算法 改进了少许,感兴趣可以看看,可能还需要你自己的加工:BP神经网络蚂蚁优化算法
文章图片
7 写在最后 部分理论引用网络文献,若有侵权请联系博主删除。
推荐阅读
- #|基于企鹅优化算法的机器人轨迹规划(Matlab代码实现)
- #|无线电信号调制【小波去噪】(Matlab&Python代码实现)
- #|基于粒子群算法的电力系统无功优化研究(IEEE14节点)(Matlab代码实现)
- Java|大厂面经分享(双非五面入职字节,他都做了哪些准备())
- 面试文|【面经分享】两年经验拿到PingCAP Offer
- 设计模式|GO 常用设计模式
- 大厂钟爱的全链路压测有什么意义(四种压测方案详细对比分析)
- java|Java 修饰符 private、default、protected、public 的应用实例 (属性)
- java|java多线程-Lock对象的使用