蚁群算法求解TSP问题的源代码
旅行商问题大都是用遗传算法求解，不过蚁群算法比它高效得多，在百度的蚁群算法吧里有人发了个注释清晰的代码，有兴趣的能够去研究一下蚁群算法和模拟退火算法，这二者均可以解决旅行商问题。而关于遗传算法和模拟退火算法，博客园里的某位牛人很清楚地介绍了，发个连接吧html
遗传算法入门：http://www.cnblogs.com/heaad/archive/2010/12/23/1914725.htmlios
模拟退火算法入门：http://www.cnblogs.com/heaad/archive/2010/12/20/1911614.html算法
下面给出蚁群算法的源代码：数组
// 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; //指望因子，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; //设置所有城市为没有去过
m_nPath[i]=0; //蚂蚁走的路径所有设置为0
}
//蚂蚁走过的路径长度设置为0
m_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1
m_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几率
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，获得总和
}
else //若是城市去过了，则其被选中的几率值为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]; //这个操做至关于转动轮盘，若是对轮盘选择不熟悉，仔细考虑一下
if (dbTemp < 0.0) //轮盘中止转动，记下城市编号，直接跳出循环
{
nSelectedCity=i;
break;
}
}
}
}
//==============================================================================
//若是城市间的信息素很是小 ( 小到比double可以表示的最小的数字还要小 )
//那么因为浮点运算的偏差缘由，上面计算的几率总和可能为0
//会出现通过上述操做，没有城市被选择出来
//出现这种状况，就把第一个没去过的城市做为返回结果
//题外话：刚开始看的时候，下面这段代码困惑了我很长时间，想不通为什么要有这段代码，后来才搞清楚。
if (nSelectedCity == -1)
{
for (int i=0;i<N_CITY_COUNT;i++)
{
if (m_nAllowedCity[i] == 1) //城市没去过
{
nSelectedCity=i;
break;
}
}
}
//==============================================================================
//返回结果，就是城市的编号
return nSelectedCity;
}
//蚂蚁在城市间移动
void CAnt::Move()
{
int nCityNo=ChooseNextCity(); //选择下一个城市
m_nPath[m_nMovedCityCount]=nCityNo; //保存蚂蚁走的路径
m_nAllowedCity[nCityNo]=0;//把这个城市设置成已经去过了
m_nCurCityNo=nCityNo; //改变当前所在城市为选择的城市
m_nMovedCityCount++; //已经去过的城市数量加1
}
//蚂蚁进行搜索一次
void CAnt::Search()
{
Init(); //蚂蚁搜索前，先初始化
//若是蚂蚁去过的城市数量小于城市数量，就继续移动
while (m_nMovedCityCount < N_CITY_COUNT)
{
Move();
}
//完成搜索后计算走过的路径长度
CalPathLength();
}
//计算蚂蚁走过的路径长度
void CAnt::CalPathLength()
{
m_dbPathLength=0.0; //先把路径长度置0
int m=0;
int n=0;
for (int i=1;i<N_CITY_COUNT;i++)
{
m=m_nPath[i];
n=m_nPath[i-1];
m_dbPathLength=m_dbPathLength+g_Distance[m][n];
}
//加上从最后城市返回出发城市的距离
n=m_nPath[0];
m_dbPathLength=m_dbPathLength+g_Distance[m][n];
}
//tsp类
class CTsp
{
public:
CTsp(void);
~CTsp(void);
public:
CAnt m_cAntAry[N_ANT_COUNT]; //蚂蚁数组
CAnt m_cBestAnt; //定义一个蚂蚁变量，用来保存搜索过程当中的最优结果
//该蚂蚁不参与搜索，只是用来保存最优结果
public:
//初始化数据
void InitData();
//开始搜索
void Search();
//更新环境信息素
void UpdateTrial();
};
//构造函数
CTsp::CTsp(void)
{
}
CTsp::~CTsp(void)
{
}
//初始化数据
void CTsp::InitData()
{
//先把最优蚂蚁的路径长度设置成一个很大的值
m_cBestAnt.m_dbPathLength=DB_MAX;
//计算两两城市间距离
double dbTemp=0.0;
for (int i=0;i<N_CITY_COUNT;i++)
{
for (int j=0;j<N_CITY_COUNT;j++)
{
dbTemp=(x_Ary[i]-x_Ary[j])*(x_Ary[i]-x_Ary[j])+(y_Ary[i]-y_Ary[j])*(y_Ary[i]-y_Ary[j]);
dbTemp=pow(dbTemp,0.5);
g_Distance[i][j]=ROUND(dbTemp);
}
}
//初始化环境信息素，先把城市间的信息素设置成同样
//这里设置成1.0，设置成多少对结果影响不是太大，对算法收敛速度有些影响
for (int i=0;i<N_CITY_COUNT;i++)
{
for (int j=0;j<N_CITY_COUNT;j++)
{
g_Trial[i][j]=1.0;
}
}
}
//更新环境信息素
void CTsp::UpdateTrial()
{
//临时数组，保存各只蚂蚁在两两城市间新留下的信息素
double dbTempAry[N_CITY_COUNT][N_CITY_COUNT];
memset(dbTempAry,0,sizeof(dbTempAry)); //先所有设置为0
//计算新增长的信息素,保存到临时数组里
int m=0;
int n=0;
for (int i=0;i<N_ANT_COUNT;i++) //计算每只蚂蚁留下的信息素
{
for (int j=1;j<N_CITY_COUNT;j++)
{
m=m_cAntAry[i].m_nPath[j];
n=m_cAntAry[i].m_nPath[j-1];
dbTempAry[n][m]=dbTempAry[n][m]+DBQ/m_cAntAry[i].m_dbPathLength;
dbTempAry[m][n]=dbTempAry[n][m];
}
//最后城市和开始城市之间的信息素
n=m_cAntAry[i].m_nPath[0];
dbTempAry[n][m]=dbTempAry[n][m]+DBQ/m_cAntAry[i].m_dbPathLength;
dbTempAry[m][n]=dbTempAry[n][m];
}
//==================================================================
//更新环境信息素
for (int i=0;i<N_CITY_COUNT;i++)
{
for (int j=0;j<N_CITY_COUNT;j++)
{
g_Trial[i][j]=g_Trial[i][j]*ROU+dbTempAry[i][j]; //最新的环境信息素 = 留存的信息素 + 新留下的信息素
}
}
}
void CTsp::Search()
{
char cBuf[256]; //打印信息用
//在迭代次数内进行循环
for (int i=0;i<N_IT_COUNT;i++)
{
//每只蚂蚁搜索一遍
for (int j=0;j<N_ANT_COUNT;j++)
{
m_cAntAry[j].Search();
}
//保存最佳结果
for (int j=0;j<N_ANT_COUNT;j++)
{
if (m_cAntAry[j].m_dbPathLength < m_cBestAnt.m_dbPathLength)
{
m_cBestAnt=m_cAntAry[j];
}
}
//更新环境信息素
UpdateTrial();
//输出目前为止找到的最优路径的长度
sprintf(cBuf,"\n[%d] %.0f",i+1,m_cBestAnt.m_dbPathLength);
printf(cBuf);
}
}下面是在控制台下的测试代码：
int main()
{
//用当前时间点初始化随机种子，防止每次运行的结果都相同
time_t tm;
time(&tm);
unsigned int nSeed=(unsigned int)tm;
srand(nSeed);
//开始搜索
CTsp tsp;
tsp.InitData(); //初始化
tsp.Search(); //开始搜索
//输出结果
printf("\nThe best tour is :\n");
char cBuf[128];
for (int i=0;i<N_CITY_COUNT;i++)
{
sprintf(cBuf,"%d ",tsp.m_cBestAnt.m_nPath[i]+1);
if (i % 20 == 0)
{
printf("\n");
}
printf(cBuf);
}
printf("\n\nPress any key to exit!");
getchar();
return 0;
}在win32下可编写程序，步骤以下：1.新建一个win32工程，将蚁群算法和TSP的代码导入工程，并添加消息响应，当用户在界面上单击鼠标左键时开始运行算法，同时修改TSP类的search函数，在每完成一代后发送一条用户自定义消息到界面窗口：
SendMessage(m_hWnd,USERMSG_UPDATE,0,0); //注意：此处不能为PostMessage函数，由于须要每一代更新界面，要等消息处理完成才能返回函数
自定义用户消息以下：测试
#define USERMSG_UPDATE WM_USER+2
code
2. 在窗口消息处理函数WndProc中添加代码以下：htm
1）对WM_PAINT进行相应的代码以下：blog
hdc = BeginPaint(hWnd,&ps);
// TODO: 在此添加任意绘图代码...
for(int i=0;i<51;i++)
{
RECT rect;
rect.left = x_Ary[i]-2;
rect.right = x_Ary[i]+2;
rect.top = y_Ary[i]-2;
rect.bottom = y_Ary[i]+2;
Rectangle(hdc,rect.left,rect.top,rect.right,rect.bottom);
HGDIOBJ brush = GetStockObject(DC_BRUSH);
COLORREF col(RGB(124,252,0));
SetDCBrushColor(hdc,col);
FillRect(hdc,&rect,(HBRUSH)brush);
char ch[3];
memset(ch,0,3);
sprintf(ch,"%d",i+1);
TextOutA(hdc,x_Ary[i]+2,y_Ary[i]+2,LPCSTR(ch),strlen(ch));
}
EndPaint(hWnd, &ps);
2）鼠标左键消息WM_LBUTTONDOWN响应：
RECT rect; GetClientRect(hWnd,&rect); InvalidateRect(hWnd,&rect,true); UpdateWindow(hWnd); time_t tm; time(&tm); unsigned int nSeed=(unsigned int)tm; srand(nSeed); //开始搜索 CTsp tsp(hWnd); tsp.InitData(); //初始化 tsp.Search(); //开始搜索
3）对用户自定义消息USERMSG_UPDATE的响应:
RECT rect;
GetClientRect(hWnd,&rect);
InvalidateRect(hWnd,&rect,true);
UpdateWindow(hWnd);
hdc = GetDC(hWnd);
HGDIOBJ pen = GetStockObject(DC_PEN);
COLORREF col(RGB(124,252,0));
SetDCPenColor(hdc,col);
for(int i=0;i<50;i++)
{
int n = bestPath[i];
int m = bestPath[i+1];
MoveToEx(hdc,x_Ary[n],y_Ary[n],NULL);
LineTo(hdc,x_Ary[m],y_Ary[m]);
}
MoveToEx(hdc,x_Ary[bestPath[50]],y_Ary[bestPath[50]],NULL);
LineTo(hdc,x_Ary[bestPath[0]],y_Ary[bestPath[0]]);
ReleaseDC(hWnd, hdc);
4）添加全局变量bestPath，用以保存找到的最佳路径,并在TSP类的search函数中每一代进行更新
for(int k=0;k<N_CITY_COUNT;k++)
{
bestPath[k] = m_cBestAnt.m_nPath[k];
}
最后程序的运行结果以下：
