企业网站seo优化外包怎么在百度上做自己的网站

企业网站seo优化外包,怎么在百度上做自己的网站,关于征集网站建设素材的通知,自己电脑做网站需要什么设备多目标点路径规划——蚁群A*算法 室内旅行商问题——送餐移动机器人#xff08;从厨房出发到达多个目标点#xff0c;最后返回厨房#xff09; 1#xff0c;A*算法规划两两之间的路径#xff0c;并计算路径长度#xff1b; 2#xff0c;蚁群算法依据两点之间路径长度A*算法 室内旅行商问题——送餐移动机器人从厨房出发到达多个目标点最后返回厨房 1A*算法规划两两之间的路径并计算路径长度 2蚁群算法依据两点之间路径长度规划多个目标点的先后到达顺序 3组合最优顺序的路径输出最后路线最近一直在研究室内旅行商问题也就是送餐移动机器人从厨房出发到达多个目标点最后返回厨房的路径规划。今天就来和大家分享一下我用蚁群 A* 算法解决这个问题的过程A* 算法规划两两之间的路径并计算路径长度A* 算法是一种常用的启发式搜索算法在路径规划中表现出色。它通过一个评估函数来选择下一个扩展的节点这个评估函数结合了从起点到当前节点的实际代价g(n)和从当前节点到目标节点的估计代价h(n)即f(n) g(n) h(n)。下面是一段简化的 Python 代码来实现 A* 算法规划两点之间的路径import heapq def astar(graph, start, end): open_set [] heapq.heappush(open_set, (0, start)) came_from {} g_score {node: float(inf) for node in graph} g_score[start] 0 f_score {node: float(inf) for node in graph} f_score[start] heuristic(start, end) while open_set: _, current heapq.heappop(open_set) if current end: path reconstruct_path(came_from, current) length calculate_path_length(path) return path, length for neighbor in graph[current].keys(): tentative_g_score g_score[current] graph[current][neighbor] if tentative_g_score g_score[neighbor]: came_from[neighbor] current g_score[neighbor] tentative_g_score f_score[neighbor] tentative_g_score heuristic(neighbor, end) if neighbor not in [i[1] for i in open_set]: heapq.heappush(open_set, (f_score[neighbor], neighbor)) def heuristic(a, b): # 这里简单用曼哈顿距离作为启发函数 return abs(a[0] - b[0]) abs(a[1] - b[1]) def reconstruct_path(came_from, current): total_path [current] while current in came_from: current came_from[current] total_path.insert(0, current) return total_path def calculate_path_length(path): length 0 for i in range(len(path) - 1): length graph[path[i]][path[i 1]] return length代码分析首先定义了一些初始的数据结构如openset用于存储待扩展的节点camefrom记录每个节点的前驱节点gscore记录从起点到每个节点的实际代价fscore记录评估函数的值。在while循环中每次从openset中取出fscore最小的节点进行扩展。对于每个扩展的节点检查其邻居节点计算从起点经过当前节点到邻居节点的tentativegscore如果小于邻居节点当前的gscore则更新camefrom、gscore和fscore并将邻居节点加入open_set。当扩展到目标节点时通过reconstruct_path函数重建路径并计算路径长度。蚁群算法依据两点之间路径长度规划多个目标点的先后到达顺序蚁群算法是一种基于群体智能的优化算法它模拟蚂蚁觅食的行为来寻找最优路径。在我们的问题中蚂蚁会根据两点之间路径长度来选择下一个目标点。import random def ant_colony(points, num_ants, num_iterations, alpha, beta, rho): num_points len(points) distances [[astar(graph, points[i], points[j])[1] for j in range(num_points)] for i in range(num_points)] pheromone [[1.0 for _ in range(num_points)] for _ in range(num_points)] best_order None best_distance float(inf) for _ in range(num_iterations): for _ in range(num_ants): order [0] unvisited set(range(1, num_points)) current 0 while unvisited: next_point select_next_point(pheromone[current], distances[current], unvisited, alpha, beta) order.append(next_point) unvisited.remove(next_point) current next_point order.append(0) # 回到起点 distance calculate_total_distance(order, distances) if distance best_distance: best_distance distance best_order order[:] update_pheromone(pheromone, order, distance, rho) return best_order, best_distance def select_next_point(pheromone, distances, unvisited, alpha, beta): numerators [pheromone[i] ** alpha * (1.0 / distances[i]) ** beta for i in unvisited] denominator sum(numerators) probabilities [num / denominator for num in numerators] return random.choices(list(unvisited), weightsprobabilities)[0] def calculate_total_distance(order, distances): total_distance 0 for i in range(len(order) - 1): total_distance distances[order[i]][order[i 1]] return total_distance def update_pheromone(pheromone, order, distance, rho): for i in range(len(order) - 1): pheromone[order[i]][order[i 1]] (1 - rho) * pheromone[order[i]][order[i 1]] 1.0 / distance pheromone[order[i 1]][order[i]] pheromone[order[i]][order[i 1]]代码分析首先计算所有点之间的距离矩阵distances和初始的信息素矩阵pheromone。在每次迭代中每只蚂蚁从起点出发根据信息素和距离选择下一个目标点直到遍历完所有目标点后回到起点。计算每只蚂蚁走过的路径总长度更新最优路径和最优距离。根据蚂蚁走过的路径长度更新信息素矩阵信息素会随着时间逐渐挥发通过rho参数控制同时在走过的路径上增加信息素。组合最优顺序的路径输出最后路线最后我们将蚁群算法得到的目标点最优顺序与 A* 算法规划的两两之间路径进行组合得到最终的路线。def combine_paths(best_order, points): final_route [points[0]] for i in range(len(best_order) - 1): start points[best_order[i]] end points[best_order[i 1]] path, _ astar(graph, start, end) final_route.extend(path[1:]) final_route.append(points[0]) # 回到起点 return final_route代码分析从起点开始依次根据最优顺序利用 A* 算法规划相邻目标点之间的路径并将路径上的点加入最终路线最后回到起点。通过以上三个步骤我们成功地用蚁群 A* 算法解决了室内旅行商问题为送餐移动机器人规划出了最优的路径。希望这篇分享对大家理解和实现类似的路径规划问题有所帮助这里假设graph是一个表示地图的邻接矩阵存储了各个点之间的连接关系和距离信息。实际应用中需要根据具体的地图数据来构建这个graph。以上代码只是一个简单的示例实际应用中可能需要根据具体需求进行更多的优化和调整。比如对于大规模的地图数据可能需要考虑空间复杂度和时间复杂度的优化对于启发函数的选择也可以根据实际情况进行调整以提高算法的效率。总之多目标点路径规划是一个很有趣也很有挑战性的问题通过蚁群算法和 A* 算法的结合我们能够找到相对较优的解决方案。大家如果有什么想法或者问题欢迎一起讨论呀以上就是整个多目标点路径规划的实现过程啦希望能给大家一些启发~#路径规划 #蚁群算法 #A*算法 #室内旅行商问题