※個人の練習用です。アルゴリズムの正確性は担保しません。
蟻コロニー最適化(ACO)とは
群知能の一つで、代表的なアルゴリズムです。
他に粒子群最適化、人工蜂コロニーアルゴリズムなどがあります。
蟻コロニー最適化(ACO)は難しい組み合わせ最適化問題の近似解を探索するのに使われるメタヒューリスティックな最適化アルゴリズムである。ACOでは、現実の蟻を真似た人工蟻が問題のグラフ上を移動することで解を構築しようとする。このとき、グラフ上に人工のフェロモンを置くことでその後の人工蟻がよりよい解を探索できるようにする[4]。ACOは多数の最適化問題で効力を発揮してきた。
- Wikipedia: 蟻コロニー最適化
詳細は下のリンクからどうぞ。
アントコロニー最適化(ACO)を救いたい
ACO: アントコロニー最適化
巡回セールスマン問題(TSP)とは
代表的な組合せ最適化問題です。
巡回セールスマン問題（じゅんかいセールスマンもんだい、英: traveling salesman problem、TSP）は、都市の集合と各2都市間の移動コスト（たとえば距離）が与えられたとき、全ての都市をちょうど一度ずつ巡り出発地に戻る巡回路のうちで総移動コストが最小のものを求める（セールスマンが所定の複数の都市を1回だけ巡回する場合の最短経路を求める）組合せ最適化問題である。
- Wikipedia: 巡回セールスマン問題
詳細は下のリンクからどうぞ。
Numerical Optimizer SIMPLE例題集 V19, 2.12 巡回セールスマン問題
巡回セールスマン問題から始まる数理最適化
数理計画用語集 > 巡回セールスマン問題
JavaScriptで作る
- JavaScriptで作る理由は特にない、ただ気軽に書きたかっただけ
- アルゴリズムの練習なので、Pure Javascriptを利用
- コードをもっと綺麗にできるが、練習用なのでとりあえずこのまま
- ファイルを一つにしているので、そのままコピペしてChromeでも実行できる（おすすめしない）
- コメント書いてないところはまた時間があれば追記
- ※ソースコードはGithubにも上げました。
サンプルデータ
サンプルデータはTSPLIBというドイツの大学教授がまとめたTSP問題のデータ集を利用しています。
TSPLIB: http://elib.zib.de/pub/mp-testdata/tsp/tsplib/tsplib.html
TSPLIBデータ集: http://elib.zib.de/pub/mp-testdata/tsp/tsplib/tsp/
今回はTSPLIBのa280を利用しました。最適解も用意されているので、検証に使えます。
データ：http://elib.zib.de/pub/mp-testdata/tsp/tsplib/tsp/a280.tsp
最適解：http://elib.zib.de/pub/mp-testdata/tsp/tsplib/tsp/a280.opt.tour
グローバル設定
// 都市の座標を設定（a280.tspを利用）
const CITIES = [[288,149],[288,129],[270,133],[256,141],[256,157],[246,157],[236,169],[228,169],[228,161],[220,169],[212,169],[204,169],[196,169],[188,169],[196,161],[188,145],[172,145],[164,145],[156,145],[148,145],[140,145],[148,169],[164,169],[172,169],[156,169],[140,169],[132,169],[124,169],[116,161],[104,153],[104,161],[104,169],[90,165],[80,157],[64,157],[64,165],[56,169],[56,161],[56,153],[56,145],[56,137],[56,129],[56,121],[40,121],[40,129],[40,137],[40,145],[40,153],[40,161],[40,169],[32,169],[32,161],[32,153],[32,145],[32,137],[32,129],[32,121],[32,113],[40,113],[56,113],[56,105],[48,99],[40,99],[32,97],[32,89],[24,89],[16,97],[16,109],[8,109],[8,97],[8,89],[8,81],[8,73],[8,65],[8,57],[16,57],[8,49],[8,41],[24,45],[32,41],[32,49],[32,57],[32,65],[32,73],[32,81],[40,83],[40,73],[40,63],[40,51],[44,43],[44,35],[44,27],[32,25],[24,25],[16,25],[16,17],[24,17],[32,17],[44,11],[56,9],[56,17],[56,25],[56,33],[56,41],[64,41],[72,41],[72,49],[56,49],[48,51],[56,57],[56,65],[48,63],[48,73],[56,73],[56,81],[48,83],[56,89],[56,97],[104,97],[104,105],[104,113],[104,121],[104,129],[104,137],[104,145],[116,145],[124,145],[132,145],[132,137],[140,137],[148,137],[156,137],[164,137],[172,125],[172,117],[172,109],[172,101],[172,93],[172,85],[180,85],[180,77],[180,69],[180,61],[180,53],[172,53],[172,61],[172,69],[172,77],[164,81],[148,85],[124,85],[124,93],[124,109],[124,125],[124,117],[124,101],[104,89],[104,81],[104,73],[104,65],[104,49],[104,41],[104,33],[104,25],[104,17],[92,9],[80,9],[72,9],[64,21],[72,25],[80,25],[80,25],[80,41],[88,49],[104,57],[124,69],[124,77],[132,81],[140,65],[132,61],[124,61],[124,53],[124,45],[124,37],[124,29],[132,21],[124,21],[120,9],[128,9],[136,9],[148,9],[162,9],[156,25],[172,21],[180,21],[180,29],[172,29],[172,37],[172,45],[180,45],[180,37],[188,41],[196,49],[204,57],[212,65],[220,73],[228,69],[228,77],[236,77],[236,69],[236,61],[228,61],[228,53],[236,53],[236,45],[228,45],[228,37],[236,37],[236,29],[228,29],[228,21],[236,21],[252,21],[260,29],[260,37],[260,45],[260,53],[260,61],[260,69],[260,77],[276,77],[276,69],[276,61],[276,53],[284,53],[284,61],[284,69],[284,77],[284,85],[284,93],[284,101],[288,109],[280,109],[276,101],[276,93],[276,85],[268,97],[260,109],[252,101],[260,93],[260,85],[236,85],[228,85],[228,93],[236,93],[236,101],[228,101],[228,109],[228,117],[228,125],[220,125],[212,117],[204,109],[196,101],[188,93],[180,93],[180,101],[180,109],[180,117],[180,125],[196,145],[204,145],[212,145],[220,145],[228,145],[236,145],[246,141],[252,125],[260,129],[280,133]];
// 都市間の距離を計算
const DISTANCE_CITIES = calcCitiesDistance(CITIES);
// スタート地点
const START_CITY = 0;
// 蟻の数
const NUMBER_ANT = 100;
// 蟻の代の数
const LOOP_MAX_COUNT = 100;
// フェロモン計算に使う距離とフェロモンの重みの設定
const WEIGHT_DISTANCE = 3;
const WEIGHT_PHEROMONE = 2;
// フェロモンの量と1代ごとの蒸発度合い
const QUANT_PHEROMONE = 1;
const QUANT_EVAPORATION = 0.8;
ACOコア関数
function runACO(cities){
// 代ごとのルート情報を一時保存する配列
let routes =[];
// 空のルート配列を作る
let routeCount = new Array(CITIES.length);
routeCount = initArray(routeCount, CITIES.length);
// 全ての代に使うフェロモンの初期設定
let colonyPheromone = new Array(CITIES.length);
colonyPheromone = initArray(colonyPheromone, CITIES.length);
let tmpArr = new Array(CITIES.length);
tmpArr = initArray(tmpArr, CITIES.length);
colonyPheromone = updatePheromone(colonyPheromone, tmpArr);
// 全代分の結果
let result = [];
// 設定した代の数だけループ
for(let loopCount = 0; loopCount < LOOP_MAX_COUNT; loopCount++){(function(){
console.log('loopCount', loopCount); //今は何代目？
// 蟻コロニーを作る
let ants = [];
// この代のフェロモンの初期設定
let newPheromone = new Array(CITIES.length);
newPheromone = initArray(newPheromone, CITIES.length);
// 設定した蟻の数だけループ
for(let i=0; i<NUMBER_ANT; i++){(function(){
// 新しい蟻を一匹作る
let ant = new InitAnt(START_CITY, colonyPheromone);
// ルート探索をさせる
ant.searchRoute(cities);
// この代のフェロモンを更新
newPheromone = ant.updatePheromone(newPheromone, cities);
// ルート計算と保存
routeCount = ant.countRoute(routeCount);
if(routes.includes(ant.route) == false){
routes.push(ant.route);
}
}())}
//全体のフェロモンの更新
colonyPheromone = updatePheromone(colonyPheromone, newPheromone);
// console.log('colonyPheromone:', colonyPheromone);
// console.log('this colony\'s routes:', routes);
//この代の全てのルートの総距離を計算して結果配列に保存
result.push(calcRoutesDistance(routes));
//この代の全てのルート情報をリセット
routes = [];
}());
}
// 全ての結果を出力
console.log('Log:', result);
// 最適解を返す
return getTheBest(result[result.length-1]);
}
蟻の生成関数
// 蟻のインスタンスを生成するコンストラクタ
function InitAnt(cityNumber, pheromone){
this.route = [cityNumber];
this.colonyPheromone = pheromone;
this.selfPheromone = Array.from(pheromone);
this.updatePheromone = function(newPheromone, cities){
for(let i=0;i<this.route.length -1 ;i++){(function(route){
let thisCity = route[i];
let nextCity = route[i+1];
let length = DISTANCE_CITIES[thisCity][nextCity];
let delta = QUANT_PHEROMONE / length;
if(isNaN(newPheromone[thisCity][nextCity])){
newPheromone[thisCity][nextCity] = delta;
}else{
newPheromone[thisCity][nextCity] += delta;
}
}(this.route));
}
return newPheromone;
};
this.searchRoute = function(cities){
let route = this.route;
let colonyPheromone = this.colonyPheromone;
for(let i=0;i<cities.length;i++){(function(){
if(i == cities.length-1){
route.push(route[0]);
}else{
let nextCitiesProbabilities = calcCitiesProbability(route, cities, DISTANCE_CITIES, colonyPheromone);
let nextCity = Number(selectNextCity(nextCitiesProbabilities));
route.push(nextCity);
}
//console.log(i, route);
}())
}
this.route = route;
// console.log('this ant\'s route: ', this.route);
}
this.countRoute = function(routeCount){
for(let i=0;i<this.route.length -1 ;i++){(function(){
let thisCity = i;
let nextCity = i+1;
if(routeCount[thisCity][nextCity] == undefined){
routeCount[thisCity][nextCity] = 1;
}else{
routeCount[thisCity][nextCity] += 1;
}
}())
}
return routeCount;
}
}
計算用関数群
// 次に行く都市を選ぶ
function selectNextCity(probabilities){
let cities = Object.keys(probabilities);
let cumulative = cumulativeSum(Object.values(probabilities));
let total = cumulative.reduce(function (accumulator, currentValue){return accumulator + currentValue;});
let random = Math.random() * cumulative[cumulative.length-1];
let result;
cumulative.some(function(cumul, index){
if(cumul > random){
result = cities[index];
return true;
}
})
if(isNaN(result)){
debugger;
}
return result;
}
function cumulativeSum(values){
let result = [];
for(let i=0; i<values.length; i++){(function(){
if(i == 0){
result.push(values[i]);
}else{
result.push(result[i-1]+values[i]);
}
}())
}
return result;
}
// 各都市が選ばれる確率の計算
function calcCitiesProbability(selfRoute, cities, citiesDistance, colonyPheromone){
let thisCity = selfRoute[selfRoute.length -1];
if(isNaN(thisCity)){
console.log('debugger', selfRoute, selfRoute.length, cities, cities.length);
debugger;
}
let numerators = {};
let probabilities = {};
let denominator = 0;
for(let i = 0; i<cities.length; i++){(function(colonyPheromone, citiesDistance, selfRoute){
if(selfRoute.includes(i) == false){
//console.log(colonyPheromone.length, citiesDistance.length)
let thisPheromone = colonyPheromone[thisCity][i];
let thisDistance = citiesDistance[thisCity][i];
let numerator = Math.pow(thisPheromone, WEIGHT_PHEROMONE) * (1 / thisDistance);
numerators[String(i)] = numerator;
denominator += numerator;
}
}(colonyPheromone, citiesDistance, selfRoute));
}
Object.keys(numerators).forEach(function(key){
if(numerators[key] == 0 || denominator == 0){
probabilities[key] = 0.001;
}else{
probabilities[key] = numerators[key] / denominator;
}
if(isNaN(probabilities[key])){
probabilities[key] = 0.001;
}
});
return probabilities;
}
// フェロモンの更新
function updatePheromone(colonyPheromone, newPheromone){
for(let i=0; i<Math.max(colonyPheromone.length, newPheromone.length); i++){(function(){
for(let j=0; j<Math.max(colonyPheromone.length, newPheromone.length); j++){(function(){
colonyPheromone[i][j] = QUANT_EVAPORATION * colonyPheromone[i][j] + newPheromone[i][j]
}())
}
}())
}
return colonyPheromone;
}
// ルート距離の計算
function calcRoutesDistance(routes){
let result = [];
for(let i=0;i<routes.length;i++){(function(){
result[i] = {routes:[],distance:0}
let distance = calcRouteDistance(routes[i]);
result[i].routes = routes[i];
result[i].distance = distance;
// console.log('Route: ', routes[i],', Distance: ', distance);
}())
}
return result;
}
function calcRouteDistance(route){
let result = 0;
for(let i=0;i<route.length-1;i++){(function(){
let thisCity = route[i];
let nextCity = route[i+1];
result+= DISTANCE_CITIES[thisCity][nextCity];
}())
}
return result;
}
// 都市間距離の計算
function calcCitiesDistance(cities){
let citiesDistance = new Array(cities.length);
for(let i=0; i<cities.length; i++){(function(){
citiesDistance[i] = new Array(cities.length);
for(let j=0;j<cities.length;j++){(function(){
citiesDistance[i][j] = eucDistance(cities[i],cities[j]);
}())
}
}())
}
return citiesDistance;
}
// 都市間のユークリッド距離
function eucDistance(cityA, cityB){
return Math.sqrt(Math.pow(cityA[0] - cityB[0], 2) + Math.pow(cityA[1] - cityB[1], 2))
}
// 指定した長さの配列に0を埋め込んで返す
function initArray(array, length){
for(let i=0; i<array.length; i++){(function(){
array[i] = new Array(length);
array[i].fill(0);
}())
}
return array;
}
// 最適解の取得
function getTheBest(routes){
let min = routes.sort(function(a, b){
return a.distance - b.distance
})[0];
let minCount = routes.filter(function(route){
return route.distance == min.distance;
});
if(minCount.length == routes.length){
console.log('All routes has same result:', min);
}else{
console.log('The minest result is:', min);
}
return min
}
実行関数
function main(){
// 最適解の取得と出力
let bestRoute = runACO(CITIES);
console.log('The Best Route is:', bestRoute);
}
main();
実行
nodeで実行。
$node aco_for_tsp.js
結果
loopCount 0
loopCount 1
loopCount 2
loopCount 3
.
.
.
loopCount 99
.
.
.
#代ごとのルート選択結果と距離の一覧が大量に出力されるので省略
#最適解
The Best Route is: { routes:
[ 0,
5,
9,
7,
6,
4,
2,
279,
1,
278,
277,
259,
260,
272,
273,
261,
262,
263,
266,
264,
265,
137,
136,
135,
133,
269,
134,
268,
267,
149,
177,
150,
176,
175,
180,
181,
182,
183,
184,
186,
188,
187,
165,
166,
170,
171,
169,
172,
106,
104,
102,
107,
103,
89,
105,
173,
160,
159,
174,
158,
118,
119,
156,
157,
152,
155,
151,
120,
121,
122,
153,
154,
30,
31,
33,
32,
29,
28,
27,
25,
26,
21,
24,
22,
23,
16,
132,
130,
131,
20,
19,
17,
18,
129,
127,
128,
126,
125,
123,
124,
... 181 more items ],
distance: 4442.0792898796935 }
結果が全体最適解ではないことがまあまあよくあるので、
あとは蟻の数と代の数とフェロモンの重みや蒸発量などを調整してみたりしてチャレンジすればいいかと思います。
※あくまで練習用なので、もし間違ってるとこがあったら指摘ください。