ant colony optimization

蟻群優化

一個使用蟻群優化 (ACO) 來找出圖中最短路徑的 Python 套件。

➡️ 查看我的 Medium 文章，以了解詳細的演練

蟻群最佳化演算法是一種用於解決計算問題的機率技術，可以簡化為透過圖形尋找良好的路徑（來源）。

ACO 演算法的這種實作使用 NetworkX 圖環境。

入門

要直接從 PyPi 安裝軟體包：

$ pip install aco_routing

用法

檢視：example.py

導入所有相依性：

 from aco_routing import ACOimport networkx as nx

建立一個有節點和邊的NetworkX.Graph物件：

 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", cost=1)G.add_edge("F", "C", cost=1)G.add_edge("C", "D", cost=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之間的最短路徑和成本：

 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,
）

輸出：

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

內容

螞蟻

aco_routing.Ant

• 遍歷圖形的Ant 。

阿科

aco_routing.ACO

• 傳統的蟻群最佳化演算法，在圖中的各個節點產生螞蟻，並找到指定來源和目的地之間的最短路徑（偽代碼）。

貢獻

• 在 GitHub 問題頁面上發布任何問題和建議。

• 要做出貢獻，請分叉該項目，然後建立拉取請求返回主版本。