Matlab实现蚁群算法求解旅行商优化问题(TSP)(理论+例子+程序)

一、蚁群算法

        蚁群算法由意大利学者Dorigo M等根据自然界蚂蚁觅食行为提岀。蚂蚁觅食行为表示大量蚂蚁组成的群体构成一个信息正反馈机制,在同一时间内路径越短蚂蚁分泌的信息就越多,蚂蚁选择该路径的概率就更大。

        蚁群算法的思想来源于自然界蚂蚁觅食,蚂蚁在寻找食物源时,会在路径上留下蚂蚁独有的路径标识——信息素,蚂蚁会感知其他蚂蚁在各条路径上留下的信息素,并根据各条路径上的信息素浓度来选择之后要走的路,路径上留有的信息浓度越高,则蚂蚁更倾向于选择该路径。在蚂蚁选择某条路径后也会在改路径上留下信息素吸引更多蚂蚁选择该路径,随着时间的推移,信息素浓度不断增大,蚂蚁选择路径的概率也随之增高,由此形成了正反馈机制。由于蚁群算法的正反馈性,因此蚁群算法也属于增强型学习算法的其中一种。

初始时刻,不妨将P kij (t)设为t时刻蚂蚁k从结点i转移到结点j的概率。“蚂蚁TSP”策略收到两方面的左右,首先是访问某结点的概率,这个概率的大小依赖于其他蚂蚁释放的信息素浓度。所以定义:

        式中,nkij(t)为启发函数,表示蚂蚁从结点i转移到结点j的概率;allowk为蚂蚁k下一步可转移结点的集合,随着时间的推移,allowk储存的元素数量会减小,最终会变为空集合。a 为信息素重要程度因子。

        与实际情况类似的一点是:随着时间的推移,残留在路径上的信息素会逐渐挥发,蚂蚁在经过路径时残留的信息素量也会逐渐等同于信息素挥发量,最终使信息素残留量趋于稳定。令α表示信息素挥发程度,那么所有蚂蚁遍历完所有结点之后,各路径上的信息素残留量的数学表达式如下:

        式中,ckij为第k只蚂蚁在连接结点i 与结点k的路径上释放信息素而增加的信息素浓度。Δckij为所有蚂蚁在结点i 与结点k 连接路径上释放信息素而增加的信息素浓度,通常情况下:

        式中,Q为路径信息素常量,I为第k 只蚂蚁所经过路径的总长度。

二、蚁群算法改进(自适应)

改进(自适应蚁群算法)

1)每次循环结束后求出最优解将其保留。

2)自适应的改变 值。

1. 信息素挥发系数的存在,会让没有搜索到的信息素的量减小到接近于0,降低了算法的全局搜索能力。

2. 当过大,且解的信息量过大时,曾经搜索过的解被重新搜索的可能性会变大。

3. 减小提高算法的全局搜索能力,但这会让算法的收敛速度降低

实现方法:

1. 的初始值为

2. 当算法求得的最优解在N次循环内没有改进时,减小为

三、实现步骤

四、代码结果

改进前:

改进后:

五、改进后运行的数据

1. 迭代最后城市之间的信息素(部分)

2. 最佳路径记录(部分)

3. 城市初始化顺序

4. 最终城市顺序(最优结果)

5. 最终蚁群算法初始参数

sumnum=0;       %记录选择概率全为0的次数
m=100;         %蚂蚁个数           
Alpha=1;      %信息素重要程度参数                         
Beta=5;       %启发式因子重要程度参数            
Rho=1;        %信息素蒸发系数           
Rho_min=0.2;    %最小信息素蒸发系数   
num_G=0;         %迭代多少次最优值不变得次数
num_G_max=15;    %最大迭代多少次最优值不变得次数
G_max=200;    %最大迭代次数            
Q=100;        %信息素增加强度系数  

六、代码(改进前)

clear all;      %清除所有变量           
close all;      %清图        
clc;            %清屏%% 初始化
%蚂蚁个数:50
%信息素重要程度参数:1
%启发式因子重要程度参数:5
%信息素蒸发系数:0.1
%最大迭代次数:200
%信息素增加强度系数:100
m=100;         %蚂蚁个数           
Alpha=1;      %信息素重要程度参数                         
Beta=5;       %启发式因子重要程度参数            
Rho=0.15;      %信息素蒸发系数            
G_max=300;    %最大迭代次数            
Q=100;        %信息素增加强度系数                 % C = [1304 2312;3639 1315;4177 2244;3712 1399;3488 1535;3326 1556;
% 3238 1229;4196 1044;4312 790;4386 570;3007 1970;2562 1756;
% 2788 1491;2381 1676;1332 695;3715 1678;3918 2179;4061 2370;
% 3780 2212;3676 2578;4029 2838;4263 2931;3429 1908;3507 2376;
% 3394 2643;3439 3201;2935 3240;3140 3550;2545 2357;2778 2826;
% 2370 2975];   %31 个省会城市坐标C=[6734	1453;2233	10;5530	1424;401	841;3082	1644;7608	4458;
7573	3716;7265	1268;6898	1885;1112	2049;5468	2606;5989	2873;
4706	2674;4612	2035;6347	2683;6107	669;7611	5184;7462	3590;
7732	4723;5900	3561;4483	3369;6101	1110;5199	2182;1633	2809
4307	2322;675	1006;7555	4819;7541	3981;3177	756;7352	4506;
7545	2801;3245	3305;6426	3173;4608	1198;23	2216;7248	3779;
7762	4595;7392	2244;3484	2829;6271	2135;4985	140;1916	1569;
7280	4899;7509	3239;10	2676;6807	2993;5185	3258;3023	1942];        %% 第一步:变量初始化n=size(C,1);          %n 表示问题的规模(城市个数)  
D=zeros(n,n);         %D 表示两个城市距离间隔矩阵  
for i=1:nfor j=1:nif i~=jD(i,j)=((C(i,1)-C(j,1))^2+(C(i,2)-C(j,2))^2)^0.5;    %计算两两城市之间的距离elseD(i,j)=eps;endD(j,i)=D(i,j);end
end
Eta=1./D;                       %Eta 为启发因子,这里设为距离的倒数
Tau=ones(n,n);                  %Tau 为信息素矩阵 
Tabu=zeros(m,n);                %存储并记录路径的生成
NC=1;                           %迭代计数器
R_best=zeros(G_max,n);          %各代最佳路线
L_best=inf.*ones(G_max,1);      %各代最佳路线的长度
figure(1);                      %优化解
%% 判断是否满足终止条件:若满足,则结束搜索过程,输出优化值;若不满足,则继续进行迭代优化。
while NC<=G_max            
%% 第二步:将 m 只蚂蚁放到 n 个城市上Randpos=[];for i=1:(ceil(m/n))Randpos=[Randpos,randperm(n)];endTabu(:,1)=(Randpos(1,1:m))'; 
%% 第三步:m 只蚂蚁按概率函数选择下一座城市,完成各自的周游
%将 m 个蚂蚁置于n个城市上,计算待选城市的概率分布,m 只蚂蚁按概率函数选择下一座城市,完成各自的周游。for j=2:nfor i=1:mvisited=Tabu(i,1:(j-1));  %己访问的城市J=zeros(1,(n-j+1));       %待访问的城市P=J;                      %待访问城市的选择概率分布Jc=1;for k=1:nif length(find(visited==k))==0J(Jc)=k;Jc=Jc+1;endend
%计算待选城市的概率分布for k=1:length(J)P(k)=(Tau(visited(end),J(k))^Alpha)...*(Eta(visited(end),J(k))^Beta);endP=P/(sum(P));
%按概率原则选取下一个城市Pcum=cumsum(P);         % 如 P=[1 2 3 4],则cumsum(P)=[1 3 6 10],要累加,轮盘赌法,依次看是否在转得的区域内Select=find(Pcum>=rand);%轮盘赌法随机选择to_visit=J(Select(1));  %待选择的城市Tabu(i,j)=to_visit;     %访问的城市endendif NC>=2Tabu(1,:)=R_best(NC-1,:);   %最佳路线end
%% 第四步:记录本次迭代最佳路线L=zeros(m,1);for i=1:mR=Tabu(i,:);  %第i只蚂蚁走过的城市for j=1:(n-1)L(i)=L(i)+D(R(j),R(j+1));  %计算i只蚂蚁走过的路径endL(i)=L(i)+D(R(1),R(n)); %加上初始位置的路径endL_best(NC)=min(L);      %获取路径最少的一只pos=find(L==L_best(NC));%在50只蚂蚁中寻找走最少的一只R_best(NC,:)=Tabu(pos(1),:);%记录最佳路径%% 第五步:更新信息素%蚁环算法更新信息素增量%离线更新——蚁群Delta_Tau=zeros(n,n);for i=1:mfor j=1:(n-1)Delta_Tau(Tabu(i,j),Tabu(i,j+1))=...Delta_Tau(Tabu(i,j),Tabu(i,j+1))+Q/L(i);%信息素增量的更新endDelta_Tau(Tabu(i,n),Tabu(i,1))=...Delta_Tau(Tabu(i,n),Tabu(i,1))+Q/L(i);%加上起使信息素增量的更新endTau=(1-Rho).*Tau+Delta_Tau;  %更新公式
%% 第六步: 禁忌表清零Tabu=zeros(m,n);
%历代最优路线for i=1:n-1plot([ C(R_best(NC,i),1), C(R_best(NC,i+1),1)],...[C(R_best(NC,i),2), C(R_best(NC,i+1),2)],'bo-');%绘制路径hold on;endplot([C(R_best(NC,n),1), C(R_best(NC,1),1)],...[C(R_best(NC,n),2), C(R_best(NC,1),2)],'ro-');  %绘制更新过程title(['优化最短距离:',num2str(L_best(NC))]); %输出结果hold off;pause(0.005);NC=NC+1;   %迭代+1 
end
%% 第七步:输出结果
Pos=find(L_best==min(L_best));
Shortest_Route=R_best(Pos(1),:);          %最佳路线 
Shortest_Length=L_best(Pos(1));           %最佳路线长度
figure(2),
plot(L_best)
xlabel('迭代次数')
ylabel('目标函数值')
title('适应度进化曲线')

七、代码(改进后)

clear all;      %清除所有变量           
close all;      %清图        
clc;            %清屏
%% 初始化sumnum=0;       %记录选择概率全为0的次数
m=100;         %蚂蚁个数           
Alpha=1;      %信息素重要程度参数                         
Beta=5;       %启发式因子重要程度参数            Rho=1;        %信息素蒸发系数           
Rho_min=0.2;    %最小信息素蒸发系数   
num_G=0;         %迭代多少次最优值不变得次数
num_G_max=3;    %最大迭代多少次最优值不变得次数G_max=200;    %最大迭代次数            
Q=100;        %信息素增加强度系数            %48 个省会城市坐标
C=[6734	1453;2233	10;5530	1424;401	841;3082	1644;7608	4458;
7573	3716;7265	1268;6898	1885;1112	2049;5468	2606;5989	2873;
4706	2674;4612	2035;6347	2683;6107	669;7611	5184;7462	3590;
7732	4723;5900	3561;4483	3369;6101	1110;5199	2182;1633	2809
4307	2322;675	1006;7555	4819;7541	3981;3177	756;7352	4506;
7545	2801;3245	3305;6426	3173;4608	1198;23	2216;7248	3779;
7762	4595;7392	2244;3484	2829;6271	2135;4985	140;1916	1569;
7280	4899;7509	3239;10	2676;6807	2993;5185	3258;3023	1942];        %% 第一步:变量初始化
aaaa=eps;
n=size(C,1);          %n 表示问题的规模(城市个数)  
D=zeros(n,n);         %D 表示两个城市距离间隔矩阵  
for i=1:nfor j=1:nif i~=jD(i,j)=((C(i,1)-C(j,1))^2+(C(i,2)-C(j,2))^2)^0.5;    %计算两两城市之间的距离elseD(i,j)=eps;%eps表示从 1.0 到下一个最大双精度数的距离endD(j,i)=D(i,j);end
end
Eta=1./D;                       %Eta 为启发因子,这里设为距离的倒数
Tau=ones(n,n);                  %Tau 为信息素矩阵 
Tabu=zeros(m,n);                %存储并记录路径的生成
NC=1;                           %迭代计数器
R_best=zeros(G_max,n);          %各代最佳路线
L_best=inf.*ones(G_max,1);      %各代最佳路线的长度
figure(1);                      %优化解
%% 判断是否满足终止条件:若满足,则结束搜索过程,输出优化值;若不满足,则继续进行迭代优化。
while NC<=G_max            
%% 第二步:将 m 只蚂蚁放到 n 个城市上Randpos=[];for i=1:(ceil(m/n))%蚂蚁个数除以城市个数向上取整Randpos=[Randpos,randperm(n)];%生成ceil(m/n)个1*n的矩阵并合并endTabu(:,1)=(Randpos(1,1:m))'; %将Randpos的第一行前m个放到Tabu的第1列
%% 第三步:m 只蚂蚁按概率函数选择下一座城市,完成各自的周游
%将 m 个蚂蚁置于n个城市上,计算待选城市的概率分布,m 只蚂蚁按概率函数选择下一座城市,完成各自的周游。for j=2:n%第j个城市for i=1:m%第i个蚂蚁visited=Tabu(i,1:(j-1));  %己访问的城市J=zeros(1,(n-j+1));       %待访问的城市P=J;                      %待访问城市的选择概率分布Jc=1;for k=1:nif length(find(visited==k))==0%判断第k个城市有没有被访问J(Jc)=k;Jc=Jc+1;endend
%计算待选城市的概率分布for k=1:length(J)P(k)=(Tau(visited(end),J(k))^Alpha)...*(Eta(visited(end),J(k))^Beta);end%% 修改%开始if sum(P)==0to_visit=J(ceil(length(J)*rand)); %% 如果所选择的全部城市信息素为0将随机选择sumnum=sumnum+1;else%结束    P=P/(sum(P));
%按概率原则选取下一个城市Pcum=cumsum(P);         % 如 P=[1 2 3 4],则cumsum(P)=[1 3 6 10],要累加,轮盘赌法,依次看是否在转得的区域内Select=find(Pcum>=rand);%轮盘赌法随机选择to_visit=J(Select(1));  %待选择的城市endTabu(i,j)=to_visit;     %访问的城市endendif NC>=2Tabu(1,:)=R_best(NC-1,:);   %最佳路线end
%% 第四步:记录本次迭代最佳路线L=zeros(m,1);%m*1的距离矩阵for i=1:mR=Tabu(i,:);  %第i只蚂蚁走过的城市for j=1:(n-1)L(i)=L(i)+D(R(j),R(j+1));  %计算i只蚂蚁走过的路径endL(i)=L(i)+D(R(1),R(n)); %加上初始位置的路径endL_best(NC)=min(L);      %获取路径最少的一只pos=find(L==L_best(NC));%在m只蚂蚁中寻找走最少的一只R_best(NC,:)=Tabu(pos(1),:);%记录最佳路径
%% 改进算法%开始
if NC>1
if L_best(NC)==L_best(NC-1)num_G=num_G+1;if num_G >= num_G_maxif Rho>=Rho_minRho=0.95*Rho;if Rho<=Rho_minRho=Rho_min;endnum_G=0;endend
end
end
Rho_list(NC)=Rho;
%结束%% 第五步:更新信息素%蚁环算法更新信息素增量%离线更新——蚁群Delta_Tau=zeros(n,n);for i=1:mfor j=1:(n-1)Delta_Tau(Tabu(i,j),Tabu(i,j+1))=...Delta_Tau(Tabu(i,j),Tabu(i,j+1))+Q/L(i);%信息素增量的更新endDelta_Tau(Tabu(i,n),Tabu(i,1))=...Delta_Tau(Tabu(i,n),Tabu(i,1))+Q/L(i);%加上起使信息素增量的更新endTau=(1-Rho).*Tau+Delta_Tau;  %更新公式
%% 第六步: 禁忌表清零Tabu=zeros(m,n);
%历代最优路线for i=1:n-1plot([ C(R_best(NC,i),1), C(R_best(NC,i+1),1)],...[C(R_best(NC,i),2), C(R_best(NC,i+1),2)],'bo-');%绘制路径hold on;endplot([C(R_best(NC,n),1), C(R_best(NC,1),1)],...[C(R_best(NC,n),2), C(R_best(NC,1),2)],'ro-');  %绘制更新过程title(['优化最短距离:',num2str(L_best(NC))]); %输出结果hold off;pause(0.005);NC=NC+1;   %迭代+1 
end
%% 第七步:输出结果
Pos=find(L_best==min(L_best));
Shortest_Route=R_best(Pos(1),:);          %最佳路线 
Shortest_Length=L_best(Pos(1));           %最佳路线长度
figure(2),
plot(L_best)
xlabel('迭代次数')
ylabel('目标函数值')
title('适应度进化曲线')
figure(3),
plot(Rho_list)
xlabel('迭代次数')
ylabel('挥发系数')
title('挥发系数自适应曲线')

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.rhkb.cn/news/462504.html

如若内容造成侵权/违法违规/事实不符,请联系长河编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

计算机毕业设计Hadoop+大模型高考推荐系统 高考分数线预测 知识图谱 高考数据分析可视化 高考大数据 大数据毕业设计 Hadoop 深度学习

温馨提示&#xff1a;文末有 CSDN 平台官方提供的学长联系方式的名片&#xff01; 温馨提示&#xff1a;文末有 CSDN 平台官方提供的学长联系方式的名片&#xff01; 温馨提示&#xff1a;文末有 CSDN 平台官方提供的学长联系方式的名片&#xff01; 开题报告 题目&#xff1a…

【qwen2-1.5-instruct 好于Gemma2-2b-instruct\Llama3.2-1B-instruct】

最新的qwen Llama Gemma小参数模型比较&#xff0c;移动端 qwen2-1.5-instruct 好于Gemma2-2b-instruct\Llama3.2-1B-instruct 从 Qwen2–1.5B-instruct 到 Gemma2–2B-instruct&#xff0c;再到 Llama3.2–1B-instruct&#xff0c;最后是新的 Qwen2.5–1.5B-instruct。虽然我…

C++之位算法

位算法 常见位运算总结 位1的个数 给定一个正整数 n&#xff0c;编写一个函数&#xff0c;获取一个正整数的二进制形式并返回其二进制表达式中 设置位 的个数&#xff08;也被称为汉明重量&#xff09;。 示例 1&#xff1a; 输入&#xff1a;n 11 输出&#xff1a;3 解释…

JAVA利用方法实现四道题

目录 1.给定一个字符串 s &#xff0c;找到 它的第一个不重复的字符&#xff0c;并返回它的索引 。如果不存在&#xff0c;则返回-1 2.计算字符串最后一个单词的长度&#xff0c;单词以空格隔开。&#xff08;注&#xff1a;字符串末尾不以空格为结尾&#xff09; 3.如果在将所…

【教程】Git 标准工作流

前言 Git 是日常开发中常用的版本控制工具&#xff0c;配合代码托管仓库&#xff08;如&#xff0c;Github&#xff0c;GitLab&#xff0c;Gitee 等&#xff09;用来实现多人多版本的协作开发。 但是 Git 的命令纷繁复杂&#xff0c;多如累卵&#xff0c;不可能也不需要全部搞…

基于AI深度学习的中医针灸实训室腹针穴位智能辅助定位系统开发

在中医针灸的传统治疗中&#xff0c;穴位取穴的精确度对于治疗效果至关重要。然而&#xff0c;传统的定位方法&#xff0c;如体表标志法、骨度折量法和指寸法&#xff0c;由于观察角度、个体差异&#xff08;如人体姿态和皮肤纹理&#xff09;以及环境因素的干扰&#xff0c;往…

金融标准体系

目录 基本原则 标准体系结构图 标准明细表 金融标准体系下载地址 基本原则 需求引领、顶层设计。 坚持目标导向、问题导向、结果 导向有机统一&#xff0c;构建支撑适用、体系完善、科学合理的金融 标准体系。 全面系统、重点突出。 以金融业运用有效、保护有力、 管理高…

.NET 8 Web API 中的身份验证和授权

本次介绍分为3篇文章&#xff1a; 1&#xff1a;.Net 8 Web API CRUD 操作.Net 8 Web API CRUD 操作-CSDN博客 2&#xff1a;在 .Net 8 API 中实现 Entity Framework 的 Code First 方法https://blog.csdn.net/hefeng_aspnet/article/details/143229912 3&#xff1a;.NET …

Spring Boot 与 Vue 共铸卓越采购管理新平台

作者介绍&#xff1a;✌️大厂全栈码农|毕设实战开发&#xff0c;专注于大学生项目实战开发、讲解和毕业答疑辅导。 &#x1f345;获取源码联系方式请查看文末&#x1f345; 推荐订阅精彩专栏 &#x1f447;&#x1f3fb; 避免错过下次更新 Springboot项目精选实战案例 更多项目…

字符串统计(Python)

接收键盘任意录入&#xff0c;分别统计大小写字母、数字及其它字符数量&#xff0c;打印输出。 (笔记模板由python脚本于2024年11月02日 08:23:31创建&#xff0c;本篇笔记适合熟悉python字符串并懂得基本编程技法的coder翻阅) 【学习的细节是欢悦的历程】 Python 官网&#xf…

qt QScrollArea详解

1、概述 QScrollArea是Qt框架中的一个控件&#xff0c;它提供了一个可滚动的视图区域&#xff0c;用于显示超出视图大小的内容。这个控件非常有用&#xff0c;尤其是在处理大型表格、文本区域、图像集合或任何需要滚动浏览的内容时。QScrollArea本身不直接显示内容&#xff0c…

HTML 基础标签——元数据标签 <meta>

文章目录 1. `<meta>` 标签概述2. 属性详解2.1 `charset` 属性2.2 `name` 属性2.3 `content` 属性2.4 `http-equiv` 属性3. 其他常见属性小结在 HTML 文档中,元数据标签 <meta> 是一种重要的标签,用于提供关于文档的信息,这些信息不直接显示在网页内容中,但对于…

InnoDB: corruption in the InnoDB tablespace

磁盘空间满和断电都可能导致mysql无法启动&#xff0c;报错如下&#xff1a; InnoDB: corruption in the InnoDB tablespace. Please refer to InnoDB: http://dev.mysql.com/doc/refman/8.0/en/forcing-innodb-recovery.html InnoDB: about forcing recovery. 20241031 10:54:…

Java网络通信

前言 1. 基本知识 通俗一点就是CS就是要下载应用来访问的&#xff0c;BS是在浏览器上面访问的&#xff0c;不用下载 1.1 IP IP地址就是你电脑的主机号&#xff0c;一台设备都有唯一的IP&#xff0c;端口就是程序的唯一标识 这上面就是我们的ip地址了&#xff0c;有IPv4和…

iptables面试题

1、详述iptales工作流程以及规则过滤顺序&#xff1f; iptables过滤的规则顺序是由上至下&#xff0c;若出现相同的匹配规则则遵循由上至下的顺序 2、iptables的几个表以及每个表对应链的作用&#xff1f; Iptables有四表五链 Filter表 : Filter表是iptables中使用的默认表…

【论文笔记】Attention Prompting on Image for Large Vision-Language Models

&#x1f34e;个人主页&#xff1a;小嗷犬的个人主页 &#x1f34a;个人网站&#xff1a;小嗷犬的技术小站 &#x1f96d;个人信条&#xff1a;为天地立心&#xff0c;为生民立命&#xff0c;为往圣继绝学&#xff0c;为万世开太平。 基本信息 标题: Attention Prompting on I…

【spring】Cookie和Session的设置与获取(@CookieValue()和@SessionAttribute())

&#x1f490;个人主页&#xff1a;初晴~ &#x1f4da;相关专栏&#xff1a;程序猿的春天 获取Cookie 使用 Servlet 获取Cookie&#xff1a; Spring MVC 是基于 Servlet API 构建的原始 Web 框架&#xff0c;也是在 Servlet 的基础上实现的 RestController RequestMapping…

Android启动流程_Init阶段

前言 本文将会介绍 Android 启动流程&#xff0c;将基于 Android 10 代码逻辑介绍原生启动过程。 bootloader 上电 -> 加载 recovery 镜像或者 boot 镜像 -> linux kernel 启动 -> 加载 init 进程 -> 加载 zygote 进程 -> systemserver 进程 -> 系统启动 …

MySQL数据库之存储过程的创建与应用

存储过程 procedure 一.存储过程 作用&#xff1a;将经常使用的功能写成存储过程&#xff0c;方便后续重复使用。 二.创建存储过程 三.调用存储过程 call在计算机中是调用的意思 案例1&#xff1a;查看MySQL用户数 如上图所示&#xff0c;这是查看MySQL数据库中的user个数…

7.使用Redis进行秒杀优化

目录 1. 优化思路 总结之前实现的秒杀过程 下单流程 2. 使用Redis完成秒杀资格判断和库存 0. Redis中数据类型的选用 1.将优惠券信息保存到Redis中 2.基于Lua脚本&#xff0c;判断秒杀库存、一人一单&#xff0c;决定用户是否抢购成功 3. 开启新协程&#xff0c;处理数…