蚂蚁算法matlab代码及说明

1、转蚁群算法TSP(旅行商问题)通用matlab程序分类：优化算法2007-04-2307:51functionR_best,L_best,L_ave,Shortest_Route,Shortest_Length=ACATSP(C,NC_max,m,Alpha,Beta,Rho,Q)%=%ACATSP.m%AntColonyAlgorithmforTravelingSalesmanProblem%ChengAihua,PLAInformationEngineeringUniversity,ZhengZhou,China%Email:%Allrightsreserved%主要符号说明%Cn个城市的

2、坐标，n左的矩阵%NCmax最大迭代次数%=%m蚂蚁个数%Alpha%Beta%Rho表征信息素里要程度的参数表征启发式因子重要程度的参数信息素蒸发系数%Q信息素增加强度系数%R_best各代最佳路线%Lbest各代最佳路线的长度%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表示完全图的赋权邻接矩阵D(i,j)=(C(i,1)-C(j,1)F2+(C(i,2)-C(j,2)A2)A0.5;elseD(i,j)=eps;endendEta=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Ta

3、bu=zeros(m,n);%存储并记录路径的生成NC=1;%迭代计数器Rbest=zeros(NCmax,n);%各代最佳路线Lbest=inf.*ones(NCmax,1);%各代最佳路线的长度L_ave=zeros(NC_max,1);%各代路线的平均长度whileNC=rand);to_visit=J(Select(1);Tabu(i,j)=to_visit;endendifNC=2Tabu(1,:)=Rbest(NC-1,:);end%第四步：记录本次迭代最佳路线L=zeros(m,1);fori=1:mR=Tabu(i,:);forj=1:(n-1)L(i)=L(i)+D(R(j)

4、,R(j+1);endL(i)=L(i)+D(R(1),R(n);endL_best(NC)=min(L);pos=find(L=L_best(NC);Rbest(NC,:)=Tabu(pos(1),:);Lave(NC)=mean(L);NC=NC+1%第五步：更新信息素Delta_Tau=zeros(n,n);fori=1:mforj=1:(n-1)Delta_Tau(Tabu(i,j),Tabu(i,j+1)=Delta_Tau(Tabu(i,j),Tabu(i,j+1)+Q/L(i);endDeltaTau(Tabu(i,n),Tabu(i,1)=DeltaTau(Tabu(i,n),

5、Tabu(i,1)+Q/L(i);endTau=(1-Rho).*Tau+Delta_Tau;end%第七步：输岀结果Pos=find(L_best=min(L_best);Shortest_Route=R_best(Pos(1),:)Shortest_Length=L_best(Pos(1)subplot(1,2,1)DrawRoute(C,ShortestRoute)subplot(1,2,2)plot(L_best)holdonplot(L_ave)functionDrawRoute(C,R)%画路线图的子函数%CCoordinate节点坐标，由一个N左的矩阵存储%RRoute路线sca

6、tter(C(:,1),C(:,2);holdonplot(C(R(1),1),C(R(N),1),C(R(1),2),C(R(N),2)holdonforii=2:Nplot(C(R(ii-1),1),C(R(ii),1),C(R(ii-1),2),C(R(ii),2)holdonend设置初始参数如下：m=31;Alpha=1;Beta=5;Rho=0.1;NC_max=200;Q=100;13042312363913154177224437121399348815353326155632381229419610044312790438657030071970256217562788149

7、123811676133269537151678391821794061237037802212367625784029283842632931237029753429190835072367339426433439320129353240314035502545235727782826下一篇：转基于matlabTSP问题蚁群算法的实现色I分享|评论(0)|阅读(32)|固定链接|类别(优化算法)|发表于07:51|最后修改于2007-04-2307:52另一种代码说明%第二步：将m只蚂蚁放到n个城市(过孔)上Randpos=;%随即存取fori=1:(ceil(m/n)Randpos=Ran

8、dpos,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(过孔)，完成各自的周游forj=2:n%所在城市(过孔)不计算fori=1:mvisited=Tabu(i,1:(j-1);%记录已访问的城市(过孔)，避免重复访问J=zeros(1,(n-j+1);%待访问的城市(过孔)P=J;%待访问城市(过孔)的选择概率分布Jc=1;fork=1:niflength(find(visited=k)=0%开始时置0J(Jc)=k;Jc=Jc+1;%访问的城市(过孔)个数自加1endend%下面计算待选城市(过孔)的概率分布

9、fork=1:length(J)P(k)=(Tau(visited(end),J(k)FAIpha)*(Eta(visited(end),J(k)FBeta);endP=P/(sum(P);%按概率原则选取下一个城市(过孔)Pcum=cumsum(P);%cumsum，元素累加即求和SeIect=find(Pcum=rand);%若计算的概率大于原来的就选择这条路线to_visit=J(SeIect(1);Tabu(i,j)=to_visit;endendifNC=2Tabu(1,:)=R_best(NC-1,:);end%第四步：记录本次迭代最佳路线L=zeros(m,1);%开始距离为0，

10、m*1的列向量fori=1:mR=Tabu(i,:);forj=1:(n-1)-14-L(i)=L(i)+D(R(j),R(j+1);%原距离加上第j个城市(过孔)到第j+1个城市(过孔)的距离endL(i)=L(i)+D(R(1),R(n);%一轮下来后走过的距离endL_best(NC)=min(L);%最佳距离取最小pos=find(L=L_best(NC);R_best(NC,:)=Tabu(pos(1),:);%此轮迭代后的最佳路线L_ave(NC)=mean(L);%此轮迭代后的平均距离NC=NC+1%迭代继续%第五步：更新信息素Delta_Tau=zeros(n,n);%开始时信

11、息素为n*n的0矩阵fori=1:mforj=1:(n-1)Delta_Tau(Tabu(i,j),Tabu(i,j+1)=Delta_Tau(Tabu(i,j),Tabu(i,j+1)+Q/L(i);%此次循环在路径(i，j)上的信息素增量endDelta_Tau(Tabu(i,n),Tabu(i,1)=Delta_Tau(Tabu(i,n),Tabu(i,1)+Q/L(i);%此次循环在整个路径上的信息素增量endTau=(1-Rho).*Tau+Delta_Tau;%考虑信息素挥发，更新后的信息素%第六步：禁忌表清零Tabu=zeros(m,n);%直到最大迭代次数end%第七步：输出结

12、果Pos=find(L_best=min(L_best);为真)%找到最佳路径(非0Shortest_Route=R_best(Pos(1),:)%路径最大迭代次数后最佳Shortest_Length=L_best(Pos(1)%距离最大迭代次数后最短subplot(1,2,1)%绘制第一个子图形DrawRoute(C,Shortest_Route)%画路线图的子函数subplot(1,2,2)%绘制第二个子图形plot(L_best)holdon%保持图形plot(L_ave,r)title(平均距离和最短距离)%标题functionDrawRoute(C,R)双钻头于遗传算法MATLAB计

13、算部分程序如下：%VerifyInputsN,dims=size(xy);nr,nc=size(dmat);-15-ifN=nr|N=ncerror(InvalidXYorDMATinputs!)endn=N;%SanityCheckspop_size=4*ceil(pop_size/4);num_iter=max(1,round(real(num_iter(1);show_prog=logical(show_prog(1);show_res=logical(show_res(1);%Initializepop=zeros(pop_size,n);fork=1:pop_sizepop(k,:)

14、=randperm(n);end%RuntheGAglobal_min=Inf;total_dist=zeros(1,pop_size);dist_history=zeros(1,num_iter);tmp_pop=zeros(4,n);new_pop=zeros(pop_size,n);ifshow_progpfig=figure(Name,TSP_GA|CurrentBestSolution,Numbertitle,off);endforiter=1:num_iter(Calculate%EvaluateEachPopulationMemberTotalDistance)forp=1:po

15、p_sized=dmat(pop(p,n),pop(p,1);%ClosedPathfork=2:nd=d+dmat(pop(p,k-1),pop(p,k);endtotal_dist(p)=d;end%FindtheBestRoutemin_dist,index=min(total_dist);dist_history(iter)=min_dist;ifmin_distglobal_minglobal_min=min_dist;opt_rte=pop(index,:);ifshow_prog%PlottheBestRoutefigure(pfig);rte=opt_rte(1:n1);3,3

16、,ifdims=plot3(xy(rte,1),xy(rte,2),xy(rte,3),r.-);-16-elseplot(xy(rte,1),xy(rte,2),r.-);endtitle(sprintf(TotalDistance=%1.4f,Iteration=%d,min_dist,iter);endend%GeneticAlgorithmOperatorsrand_pair=randperm(pop_size);forp=4:4:pop_sizertes=pop(rand_pair(p-3:p),:);dists=total_dist(rand_pair(p-3:p);ignore,idx=min(dists);best_of_4_rte=rtes(idx,:);ins_pts=sort(ceil(n*rand(1,2);I=ins_pts(1);J=ins_pts(2);Newfork=1:4%Mu