群体智能算法-黏菌寻找食物最优路线行为模拟 2

说明:此文章为腾讯云机器自动从本人csdn博客搬迁过来。是本人授权操作。

申明:无本人授权,不可转载本文。如有转载,本人保留追究其法律责任的权利。

龚浩华,QQ 29185807,月牙寂 道长

第一时间获取文章,可以关注本人公众号 月牙寂道长 yueyajidaozhang

经过查找一些资料,发现目前比较好的理论支撑有元胞自动机,其中的分形理论中的扩散限制凝聚模型与黏菌的网络比较贴切。 经过反复的调整。现在购机了一个黏菌的网络。如图: 第一个图为模拟的过程 第二图为最终图的放大

其中依然有有几个假设 1、黏菌的生命力,随着扩展,生命力降低 2、随着扩展完之后,黏菌在整个扩展范围内,随机生成一些感触点,然后感触点生成网络      感触点的生长原则,则是最大可能从生命力低的地方向生命力高的地方生长,直至生长到了有网络的地方,或者是黏菌的核心。 不足的地方: 在模拟行为中采用的是元胞为小方块,所以会出现图中的一些对角线的直线。 备注: 其中图片采用的是jpg,为200*200像素。加载的是一个全白的图片,后面的黑点为程序模拟出来的 源码如下

package main
import (
"fmt"
"image"
"image/jpeg"
// "io"
"image/color"
"math/rand"
"os"
"path"
"runtime"
"sync"
"time"
)
func main() {
runtime.GOMAXPROCS(1)
for {
select {}
}
}
var max_x int = 200
var max_y int = 200
var lock *sync.RWMutex
var im image.Image
var AllPart []Parts
var wg *sync.WaitGroup
type Parts []*Part
type Part struct {
x      int
y      int
en     int
black  bool
walked bool
}
func NewPart(x, y int) *Part {
p := Part{x, y, 0, false, false}
return &p
}
func initImage() error {
f, err := os.Open("200.jpg")
if err != nil {
fmt.Println(err)
return err
}
defer f.Close()
im, err = jpeg.Decode(f)
if err != nil {
fmt.Println(err)
return err
}
return nil
}
func Print() {
tick := time.Tick(1 * time.Second)
count := 1
for {
select {
case <-tick:
func() {
p := path.Join("./worm", fmt.Sprintf("%d.jpg", count))
lock.Lock()
f, _ := os.OpenFile(p, os.O_RDWR|os.O_CREATE, 0x666)
jpeg.Encode(f, im, nil)
f.Close()
lock.Unlock()
count++
}()
}
}
}
func init() {
initImage()
wg = &sync.WaitGroup{}
lock = &sync.RWMutex{}
AllPart = make([]Parts, max_y, max_y)
for y := 0; y < max_y; y++ {
AllPart[y] = Parts(make([]*Part, max_x, max_x))
}
for y := 0; y < max_y; y++ {
for x := 0; x < max_x; x++ {
AllPart[y][x] = NewPart(x, y)
}
}
AllPart[max_y/2][max_x/2].en = 200
AllPart[max_y/2][max_x/2].black = true
AllPart[max_y/2][max_x/2].walked = true
SetBlack(max_x/2, max_y/2)
for i := 0; i < 500; i++ {
rand.Seed(rand.Int63())
y1 := int(rand.Int31()) % max_y
x1 := int(rand.Int31()) % max_x
if x1 == max_x/2 && y1 == max_y/2 {
continue
}
AllPart[y1][x1].black = true
SetBlack(x1, y1)
}
for y := 0; y < max_y; y++ {
for x := 0; x < max_x; x++ {
wg.Add(1)
}
}
for y := 0; y < max_y; y++ {
for x := 0; x < max_x; x++ {
go AllPart[y][x].run()
}
}
go Print()
}
func getEn(x, y int) int {
if x < 0 || y < 0 {
return -1
}
if x >= max_x || y >= max_y {
return -1
}
return AllPart[y][x].en
}
func SetBlack(x, y int) {
p := im.(*image.YCbCr)
if !(image.Point{x, y}.In(p.Rect)) {
return
}
yi := p.YOffset(x, y)
ci := p.COffset(x, y)
p.Y[yi], p.Cb[ci], p.Cr[ci] = color.RGBToYCbCr(0, 0, 0)
}
func (p *Part) run() {
wg.Done()
wg.Wait()
tick := time.Tick(1 * time.Second)
for {
select {
case <-tick:
if p.walked {
return
}
func() {
other := make(map[*Part]int)
max_node := 0
otherblack := 0
getmax := func(xi, yi int) {
en := getEn(xi, yi)
if en > 0 {
other[AllPart[yi][xi]] = en
if AllPart[yi][xi].black {
otherblack++
}
}
if en > max_node {
max_node = en
}
}
getmax(p.x-1, p.y-1)
getmax(p.x, p.y-1)
getmax(p.x+1, p.y-1)
getmax(p.x-1, p.y)
getmax(p.x+1, p.y)
getmax(p.x-1, p.y+1)
getmax(p.x, p.y+1)
getmax(p.x+1, p.y+1)
if p.en == 0 {
if max_node > 0 {
p.en = max_node - 1
}
return
}
if p.black {
//maxwalk
ensum := 0
havewalked := 0
nextother := make(map[*Part]int)
for np, en := range other {
if en > p.en {
nextother[np] = en
ensum += en
if np.walked {
havewalked++
}
}
}
if len(nextother) <= 1 {
for np, en := range other {
if en == p.en {
nextother[np] = en
ensum += en
if np.walked {
havewalked++
}
}
}
}
if len(nextother) == 0 {
for np, en := range other {
if en < p.en {
nextother[np] = en
ensum += en
if np.walked {
havewalked++
}
}
}
}
if havewalked > 0 {
p.walked = true
return
}
if ensum > 0 {
rand.Seed(rand.Int63())
rn := int(rand.Int31()) % ensum
for np, _ := range nextother {
rn = rn - np.en
if rn <= 0 {
np.black = true
SetBlack(np.x, np.y)
p.walked = true
return
}
}
}
}
}()
}
}
}

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

编辑于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏MixLab科技+设计实验室

人工智能Logo设计师Brandmark

里,就介绍过 Brandmark 了,当时 Brandmark 还是 v1 的版本,现在已经是 v2 版本了,也上线了一些子产品,例如 Brand Rank 、...

519110
来自专栏MixLab科技+设计实验室

人工智能Logo设计师Brandmark

封面由ARKie智能设计赞助 早在去年 mixlab 的一篇案例报告里,就介绍过 Brandmark 了,当时 Brandmark 还是 v1 的版本,现在已...

34730
来自专栏Python中文社区

Python自然语言处理分析倚天屠龙记

最近在了解到,在机器学习中,自然语言处理是较大的一个分支。存在许多挑战。例如: 如何分词,识别实体关系,实体间关系,关系网络展示等。

25650
来自专栏python学习之旅

算法学习笔记(二):贪心算法

21130
来自专栏码神联盟

智能对话 | 使用 Java实现 智能对话机器人 -- 附源码

目前人工智能与深度学习顺应了互联网时代潮流,人机对话已经成为目前人工智能领域中非常热门的处理技术。其中基于深度学习的人机对话交换系统(智能机器人)是人工智能最有...

2.3K20
来自专栏IT派

Pyecharts丨极其强大的Python数据可视化模块

昨天发了一篇关于【Matplotlib】的数据可视化文章,有一位小伙伴说可以直接使用Pyecharts,然后我就看了,发现确实,很强大,效果图也是非常的好看

49310
来自专栏ATYUN订阅号

在Python中使用NLTK建立一个简单的Chatbot

也许你听说过Duolingo(多邻国):一种流行的语言学习应用程序,它可以通过游戏来练习一种新的语言。由于其创新的外语教学风格,它非常受欢迎。它的思想很简单:每...

72650
来自专栏程序你好

程序员算法基础——贪心算法

18620
来自专栏人人都是极客

GPU的工作原理

在GPU出现以前,显卡和CPU的关系有点像“主仆”,简单地说这时的显卡就是画笔,根据各种有CPU发出的指令和数据进行着色,材质的填充、渲染、输出等。 较早的娱乐...

51550
来自专栏软件工程师成长笔记

高德,百度,Google地图定位偏移以及坐标系转换

一般用国际GPS纪录仪记录下来的经纬度,通过GPS定位拿到的原始经纬度,Google和高德地图定位的的经纬度(国外)都是基于WGS-84坐标系的;但是在国内是不...

1.5K30

扫码关注云+社区

领取腾讯云代金券