Skip to content

Latest commit

 

History

History
164 lines (151 loc) · 8.03 KB

README.md

File metadata and controls

164 lines (151 loc) · 8.03 KB
Raw

What is the shortest path?

一、功能实现

  1. 实现了蚁群算法(Ant Colony System).
  2. 实现了基于蚁群算法求解旅行商问题(TSP)的路径动态搜索过程以及计算结果的可视化(最短路径图、平均收敛曲线)。

二、相关库

  1. numpy
  2. matplotlib
  3. PIL
  4. tkinter
  5. threading

三、软件截图

软件截图

四、使用说明

  1. 在项目根目录下，打开cmd或powershell，使用命令行输入以下命令打开主界面

    python main.py

  2. 在左侧的选择框中，依次选择测试问题(Choose your porblem)，最大进化次数(Max Generation)，测试次数(Test times)。

  3. 选择完成后，点击按钮"Let's find out!"，开始进行路径搜索。

  4. 搜索过程中，当前最优路径(Currenr Optimal path)画布上会实时更新当前进化过程中寻找到的最优路径。

  5. 测试完成后，左下方的数据展示区域会显示本次测试寻找到的最短路径值(Minimum Distance)和多次测试后最优路径的标准差(Standard Deviation)。与此同时，进化曲线(Evolution curve)画布上会显示平均最优路径的distance-generation收敛曲线。

  6. 你可以随时 点击按钮"Stop it!" 来终止搜索过程，但是软件不会给出进化曲线以及标准差。

  7. 你可以点击按钮"Clear" 来对两块画布上的内容进行清除，并复原成初始状态。

  8. 你可以自定义测试问题。修改软件目录下的myTest.txt文件，根据以下格式输入测试数据。

    1 城市1的x坐标 城市1的y坐标
2 城市2的x坐标 城市2的y坐标
3 城市3的x坐标 城市3的y坐标
...

五、代码解释

  1. 蚁群算法

    • 软件的核心算法为改良的蚁群优化算法——蚁群系统(ACS)。
    • 蚁群算法是一种用来寻找优化路径的概率型算法。它由Marco Dorigo于1992年在他的博士论文中提出，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。 这种算法具有分布计算、信息正反馈和启发式搜索的特征，本质上是进化算法中的一种启发式全局优化算法。
    • 1997年，Dorigo对ACO进行了优化，提出了一种全新的、基于群体并行计算的蚁群系统。
    • 核心步骤：
      • 路径构建 Path Construction
      rouletteWheel = 0
states = ant.getUnvisitedStates()
/*计算上面公式的分母*/
for newState in states do
    rouletteWheel += Math.pow(getPheromone(state, newState), getParam('alpha'))
            * Math.pow(calcHeuristicValue(state, newState), getParam('beta'))
end for

randomValue = random()//产生一个0-1之间的随机数
wheelPosition = 0
/* 从候选城市的集合states中逐一取出城市编号newstate，计算上面公式的分子部分，
并把计算出来的值进行累加，直到取出某个城市newState
后的累加值(即wheelPosition的值)大于等于随机数randomValue为止，
返回这个newState作为下一个访问的城市
*/
for newState in states do
    wheelPosition += （Math.pow(getPheromone(state, newState), getParam('alpha'))
    * Math.pow(calcHeuristicValue(state, newState), getParam('beta'))）/rouletteWheel
if wheelPosition >= randomValue do
    return newState
end for
      • 信息素更新 Pheromone Update
      for ant in colony do //蚁群中每条蚂蚁都逐个更新自己路径经过边上的的信息素
tour = ant.getTour(); //蚂蚁计算路径的总长度
pheromoneToAdd = getParam('Q') / tour.distance(); //蚂蚁计算信息素的更新值
for cityIndex in tour do //回溯路径中的每个城市
    if lastCity(cityIndex) do // 如果当前城市是路径上的最后一个城市，取出它和第一个城市间的边
        edge = getEdge(cityIndex, 0)
    else do
        edge = getEdge(cityIndex, cityIndex+1) //否则，取当前城市和路径上下一个城市间的边
    end if
currentPheromone = edge.getPheromone(); //获得边上之前的信息素
edge.setPheromone(currentPheromone + pheromoneToAdd)//原有信息素加上更新值后得到新信息素
end for // ant路径上所有的边的信息素更新完毕
end for //蚁群中所有蚂蚁都处理完毕

for edge in edges
    updatedPheromone = (1 - getParam('rho')) * edge.getPheromone()
    edge.setPheromone(updatedPheromone)
end for
    • 由于信息素在较短的路径上不断积累，在较长的路径上持续蒸发，在经过不断的迭代之后，蚂蚁选择最优路径的概率会越来越大，最终算法会将会收敛到输入问题的最优路径上。

  2. 界面

    • 本软件使用tkinter模块来完成相关的界面设计。
    • 主窗口：初始化一个Tk对象作为主窗口对象，设置窗口名字(title)以及窗口大小(geometry)。
    window = tk.Tk()
window.title("What is the shortest path?")
window.geometry("1400x600+300+200")
    • 按钮: 以"Let's find out!"按钮为例，创建一个tk.Button对象，设置文本内容(text)、文本字体(font)、点击事件(command)等。
    btn_start = tk.Button(text="Let's find out !", 
    `                 font=(font_name, font_size + 4), bg='grey35', fg='yellow',
                      command=lambda: command_start())
btn_start.place(x=40, y=200, width=170, height=50)
    • 画布：以最短路径图为例，创建一个tk.Canvas对象，设置父窗口(root)、高度(height)、宽度(width)，并用create_image函数，传入一个Image,PhotoImage对象来展示最短路径图。
    canvas_path = tk.Canvas(window, bg='grey', width=520, height=520)
canvas_path.place(x=250, y=40)
canvas_path.create_image((260, 260), image=im_path)
    • 输入(输出)框：以测试问题选择框为例，首先设置一个用来实时改变框内文本的textvariable变量，创建ttk.Combobox对象，传入textvariable，然后设置下拉列表的值(values)以及设置默认显示值(current)。
    file = tk.StringVar()
file_chosen = ttk.Combobox(window, width=21, textvariable=file)
file_chosen['values'] = ('Gr17', 'Oliver30', 'Eil51', 'Eil76', 'kroa100')  # 设置下拉列表的值
file_chosen.current(1)
file_chosen.place(x=40, y=40)
    • 标签，以进化曲线标签为例，创建一个tk.Label对象，设置好文本(text)、字体(font)并设置好布局位置(使用.place(x= , y= )函数)即可。
    label_gen = tk.Label(text="Max Generation", font=(font_name, font_size))
label_gen.place(x=40, y=70)

  3. 线程

    • 本软件使用了threading模块来对线程进行操作。
    • 首先创建了一个threading.RLock对象，为软件设置了线程锁。
    lock = threading.RLock()
    • 在开始与停止操作中，分别对线程进行获取(acquire)与释放(release)。
    def command_start():
    btn_start.config(state=tk.DISABLED)
    btn_stop.config(state=tk.NORMAL)
    lock.acquire()
    lock.release()
    run()

def command_stop():
    lock.acquire()
    lock.release()
    btn_start.config(state=tk.NORMAL)
    btn_stop.config(state=tk.DISABLED)
    break_now.set(1)

六、经过一定改进后可应用场景

  1. 旅行商问题(TSP)
  2. Job—shop调度问题
  3. 车辆路由问题
  4. 图着色问题
  5. 网络路由问题
  6. 多目标优化
  7. 数据聚类
  8. 生物系统建模
  9. 机器人控制
  10. ...

七、参考文献

  1. Dorigo, M. , & Gambardella, L. M. . (2002). Ant colony system: a cooperative learning approach to the traveling salesman problem. IEEE Transactions on Evolutionary Computation, 1(1), 53-66.