蚁群算法【2】优化方法

《混沌扰动模拟退火蚁群算法低碳物流路径优化》

《基于模拟退火蚁群算法的机器人路径规划方法》

《_混合蚁群算法在容量约束车辆路径问题中的应用研究》

《_多车场多车型最快完成车辆路径问题的变异蚁群算法》

这里解释一下集中度：

信息素的每一行其实代表了从横坐标对应的点到纵坐标对应的点的概率，每行最大值就是最有可能选择的点，如果这个概率很大，说明该行信息素已经比较稳定了，这个叫信息集中度；

然后所有行的信息集中度最小的已经很大了，说明整个信息素已经比较稳定了；

我试过这种方法，有一定的效果，需根据实际情况调节参数，主要是在算法后期微调新解；

### 入侵算子
# 信息集中度
pheromone_stand = pheromone / pheromone.sum(axis=1)[:, np.newaxis]
focue_row = sorted(pheromone_stand.max(axis=1))
# print(focue_row)
focue_matrix_max = np.max(focue_row)        # 这里取的最大 信息集中度
focue_matrix_min = focue_row[2]
print(focue_matrix_min, focue_matrix_max)
if focue_matrix_min > 0.25:
# if focue_matrix_max > 0.97:
    if random.random() < 0.3:
        # 归一化 是 为了 和 随机矩阵 数值大小一致，否则加上的扰动效果微乎其微
        # 归一化 而 不是 标准化，因为标准化会产生负数
        # 归一化后 乘以 2，是为了 保持 之前信息素的 正反馈，否则 相当于从头训练，效果不好，且时间很长
        pheromone = ((pheromone - pheromone.min()) / (pheromone.max() - pheromone.min())) * 2 \
                    + np.random.rand(stat_num, stat_num)