当前位置: 首页 > article >正文

基于Matlab使用蚁群算法寻找最优路径

基于Matlab使用蚁群算法寻找最优路径

与Dijkstra算法使用相同的地图。
每只蚂蚁都从起点出发,直到抵达终点。这与Example5_1.m 中解决旅行商问题不一样,旅行商问题中每一代的蚂蚁都是随机从一个节点出发。

文件说明

Example5_1.m 简单对参考资料2中的代码进行重现;

ACA.m 对参考资料1中的代码进行重现,并适当优化代码且修改错误,错误如下:
请添加图片描述
请添加图片描述

计算P(2,k)有问题,neighbor已经删除了不可访问节点,所以neighbor中节点的索引号和nodes_data{node_step, 4}索引号不是一一对应关系,应该先找到对应的索引号。
修正:

实验

信息素启发式因子α 代表信息量对是否选择当前路径的影响程度, 即反映蚂蚁在运动过程中所积累的信息量在指导蚁群搜索中的相对重要程度。 α 的大小反映了蚁群在路径搜索中随机性因素作用的强度, 其值越大, 蚂蚁在选择以前走过的路径的可能性就越大, 搜索的随机性就会减弱; 而当启发式因子α的值过小时, 则易使蚁群的搜索过早陷于局部最优。 根据经验, 信息素启发式因子α取值范围一般为[l, 4]时, 蚁群算法的综合求解性能较好。

期望启发因子β 表示在搜索时路径上的信息素在指导蚂蚁选择路径时的向导性, 它的大小反映了蚁群在搜索最优路径的过程中的先验性和确定性因素的作用强度。 期望启发因子β的值越大, 蚂蚁在某个局部点上选择局部最短路径的可能性就越大, 虽然这个时候算法的收敛速度得以加快, 但蚁群搜索最优路径的随机性减弱, 而此时搜索易于陷入局部最优解。 根据经验, 期望启发因子β取值范围一般为[3, 5], 此时蚁群算法的综合求解性能较好。
参考:《智能优化算法及其MATLAB实例(第2版)》by包子阳 P101 例5.1

对结果的显示进行一定修改,以查看每一次迭代的最佳结果:
请添加图片描述

请添加图片描述

Dijkstra算法示例中求出的最优路径为:4-5-6-1
修改 β \beta β值重复四次实验

  1. β = 0 \beta=0 β=0
    实践中 β \beta β不应等于0,但为了说明距离这样的先验信息起的作用,取 β = 0 \beta=0 β=0,实验结果:
    请添加图片描述

  2. β = 3 \beta=3 β=3
    请添加图片描述

  3. β = 5 \beta=5 β=5

    请添加图片描述

对比三个实验中纵坐标最小值可以看出, β \beta β越大,算法越易陷入局部最优。

  1. 实验一最优值全为22,是全局最优,最优路径 4-5-6-1。
  2. 实验二2个22,2个25;
  3. 实验三全为25,均为局部最优,局部最优路径 4-5-6-2-1。

讨论:

  • 位于节点6时,接下来应该选择节点1还是节点2受到信息素和启发因子的影响,当 β \beta β较大时,更看重启发信息,即更加偏向与选择距离短的节点(节点6->节点1距离为16,节点6->节点2距离为7),因此才会出现实验三的结果。当 β = 0 \beta=0 β=0时,启发信息不起作用,选择全取决于信息素,这种情况更贴近自然中的蚁群寻路。
  • 群智能算法都有陷入局部最优的问题

如需代码,请私信联系


http://www.kler.cn/news/351160.html

相关文章:

  • React 分装webSocket
  • MySQL 数据备份与恢复指南
  • 基于node.js宜家宜业物业管理系统【附源码】
  • 【计算机网络 - 基础问题】每日 3 题(五十二)
  • CMakeLists.txt 编写规则
  • 学习TOGAF架构
  • 顺序执行的Runnable队列
  • 【Java 22 | 11】 深入解析Java 22 : String API 增强特性
  • 【Redis】Zset类型常用命令
  • AWS账号与亚马逊账号的关系解析
  • 【网络安全】JSONP劫持原理及攻击实战
  • 鸿蒙系统开发快速入门教程
  • 【论文速读】Prompt Tuning:The Power of Scale for Parameter-Effificient Prompt Tuning
  • 大数据-163 Apache Kylin 全量增量Cube的构建 手动触发合并 JDBC 操作 Scala
  • 鸿蒙--自定义系统级弹层
  • ansible————playbook
  • N9305高品质mp3音频语音芯片ic在早教故事机的应用方案
  • 再Android10上实现检测AHD摄像头是否接入
  • RK3568平台开发系列讲解(调试篇)CGroup(Control Group)之CPU资源
  • 【python + Redis】hash值查增删
  • 【AI声音克隆本地整合包及教程】第二代GPT-SoVITS V2:声音克隆的新境界
  • 02-GIT
  • Vue2项目-自定义指令
  • Windows远程桌面到Ubuntu
  • 圈子系统该如何安装?前端UNI后端PHP论坛小程序源码 圈子小程序源码
  • Vxe UI vue vxe-table grid 如何滚动、定位到指定行或列