ant colony optimization

蚁群优化

一个使用蚁群优化 (ACO) 查找图中最短路径的 Python 包。

➡️ 查看我的 Medium 文章，了解详细的演练

蚁群优化算法是一种用于解决计算问题的概率技术，可以简化为通过图找到良好的路径（来源）。

ACO 算法的这种实现使用 NetworkX 图环境。

入门

要直接从 PyPi 安装软件包：

$ pip install aco_routing

用法

查看：example.py

导入所有依赖项：

 from aco_routing import ACOimport networkx as nx

创建一个带有节点和边的NetworkX.Graph对象：

 G = nx.DiGraph()G.add_edge("A", "B", cost=2)G.add_edge("B", "C", cost=2)G.add_edge("A", "H" , 成本=2)G.add_edge("H", "G", 成本=2)G.add_edge("C", "F", 成本=1)G.add_edge("F", "G",成本=1)G.add_edge("G", "F", 成本=1)G.add_edge("F", "C", 成本=1)G.add_edge("C", "D", 成本= 10)G.add_edge("E", "D", 成本=2)G.add_edge("G", "E", 成本=2)

使用 ACO 找到source和destination之间的最短路径和成本：

 aco = ACO(G, ant_max_steps=100, num_iterations=100, ant_random_spawn=True)aco_path, aco_cost = aco.find_shortest_path(source="A",destination="D",num_ants=100,
）

输出：

ACO path: A -> H -> G -> E -> D
ACO path cost: 8.0

内容

蚂蚁

aco_routing.Ant

• 遍历图形的Ant 。

阿科

aco_routing.ACO

• 传统的蚁群优化算法，在图中的各个节点生成蚂蚁，并找到指定源和目的地之间的最短路径（伪代码）。

贡献

• 在 GitHub 问题页面上发布任何问题和建议。

• 要做出贡献，请分叉该项目，然后创建一个拉取请求返回主版本。