%%%蚁群算法解决TSP问题%%%%%%%
% clear all; %清除所有变量
% close all; %清图
% clc ; %清屏
load matlab_S_R.mat
load matlab_C1.mat
load matlab_C.mat
C2=C;
Shortest_Route_p=Shortest_Route;
C_q(1,:)=(C2(Shortest_Route_p(14),:)+C2(Shortest_Route_p(15),:))/2;%进来的坐标点
C_z(1,:)=(C2(Shortest_Route_p(15),:)+C2(Shortest_Route_p(16),:))/2;%出去的坐标点
C=C1;
index = C(:,1)== C_q(1,1)&C(:,2) == C_q(1,2);%从C矩阵中清除这两点
C= C( ~index, : );
index = C(:,1) == C_z(1,1)&C(:,2 )==C_z(1,2);
C=C(~index,:);
m=50; %% m 蚂蚁个数
Alpha=1; %% Alpha 表征信息素重要程度的参数
Beta=5; %% Beta 表征启发式因子重要程度的参数
Rho=0.1; %% Rho 信息素蒸发系数
NC_max=100;%%最大迭代次数
Q=100; %%信息素增加强度系数
% x=xlsread('ACOxihua0.xlsx',1,'A1:A25');
% y=xlsread('ACOxihua0.xlsx',1,'B1:B25');
% z=xlsread('ACOxihua0.xlsx',1,'C1:C25');
% m0=size();%遍历的城市个数
%%生成C，即城市坐标矩阵
% C=C1(1:25,:);
m0=size(C(:,1));%遍历的城市个数
% for aa=2:m0
% C(aa-1,1)=x(aa);
% C(aa-1,2)=y(aa);
% end
%%31个省会坐标
%%-------------------------------------------------------------------------
%% 主要符号说明
%% C n个城市的坐标，n×2的矩阵
%% NC_max 最大迭代次数
%% m 蚂蚁个数
%% Alpha 表征信息素重要程度的参数
%% Beta 表征启发式因子重要程度的参数
%% Rho 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
%% L_best 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
for i=1:n
for j=1:n
if i~=j
D(i,j)=((C(i,1)-C(j,1))^2+(C(i,2)-C(j,2))^2)^0.5;
else
D(i,j)=eps; %i=j时不计算，应该为0，但后面的启发因子要取倒数，用eps（浮点相对精度）表示
end
D(j,i)=D(i,j); %对称矩阵
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，记录迭代次数
R_best=zeros(NC_max,n); %各代最佳路线
L_best=inf.*ones(NC_max,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
while NC<=NC_max %停止条件之一：达到最大迭代次数，停止
%%第二步：将m只蚂蚁放到n个城市上
Randpos=[]; %随即存取
for i=1:(ceil(m/n))
Randpos=[Randpos,randperm(n)];
end
Tabu(:,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
for j=2:n %所在城市不计算
for i=1:m
visited=Tabu(i,1:(j-1)); %记录已访问的城市，避免重复访问
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:n
if length(find(visited==k))==0 %开始时置0
J(Jc)=k;
Jc=Jc+1; %访问的城市个数自加1
end
end
%下面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
P=P/(sum(P));
%按概率原则选取下一个城市
Pcum=cumsum(P); %cumsum，元素累加即求和
Select=find(Pcum>=rand); %若计算的概率大于原来的就选择这条路线
to_visit=J(Select(1));
Tabu(i,j)=to_visit;
end
end
if NC>=2
Tabu(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，m*1的列向量
for i=1:m
R=Tabu(i,:);
for j=1:(n-1)
L(i)=L(i)+D(R(j),R(j+1)); %原距离加上第j个城市到第j+1个城市的距离
end
% L(i)=L(i)+D(R(1),R(n)); %一轮下来后走过的距离
L(i)=L(i)+sqrt((C(R(1),1)-C_q(1,1)).^2+(C(R(1),2)-C_q(1,2)).^2)+sqrt((C(R(23),1)-C_z(1,1)).^2+(C(R(23),2)-C_z(1,2)).^2);%加上到固定起点
%C1(1,1)和固定终点的距离
end
L_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); %开始时信息素为n*n的0矩阵
for i=1:m
for 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);
%此次循环在路径（i，j）上的信息素增量
end
Delta_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
end
Tau=(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：输出结果
Pos=find(L_best==min(L_best)); %找到最佳路径（非0为真）
Shortest_Route=R_best(Pos(1),:) %最大迭代次数后最佳路径
Shortest_Length=L_best(Pos(1)) %最大迭代次数后最短距离
%画路线图
%%=========================================================================
%% DrawRoute.m
%% 画路线图
%%-------------------------------------------------------------------------
%% C Coordinate 节点坐标，由一个N×2的矩阵存储
%% R Route 路线
%%=========================================================================
figure(1)
plot(L_best)
xlabel('迭代次数')
ylabel('目标函数值')
title('适应度进化曲线')
figure(2)
% subplot(1,2,1) %绘制第一个子图形
N=length(R);
% scatter(C(:,1),C(:,2));
hold on
%plot([C(R(1),1),C(R(N),1)],[C(R(1),2),C(R(N),2)],'g')
hold on
for ii=2:N
plot([C(Shortest_Route(ii-1),1),C(Shortest_Route(ii),1)],[C(Shortest_Route(ii-1),2),C(Shortest_Route(ii),2)],'g')
end
% C(Shortest_Route(1),1)
% C(Shortest_Route(2),1)
% C(Shortest_Route(1),2)
% plot([C(1,1),C(6,1),C(5,1),C(10,1)],[C(1,2),C(6,2),C(5,2),C(10,2)]);
title('二次蚁群算法遍历结果 ')
hold on
plot(C_q(1,1),C_q(1,2),'ro')
plot(C_z(1,1),C_z(1,2),'ro')
% 自动生成网格，根据步长和个数自动生成
% x=linspace(C1(1,1)-0.125,C1(25,1)+0.125,6);
% x1=linspace(C1(1,1)-0.125,C1(25,1)+0.125);
% y=linspace(C1(1,2)-0.125,C1(25,2)+0.125,6);
% y1=linspace(C1(1,2)-0.125,C1(25,2)+0.125);
% plot(x1,y(1),x1,y(2),x1,y(3),x1,y(4),x1,y(5),x1,y(6))
% plot(x(1),y1,x(2),y1,x(3),y1,x(4),y1,x(5),y1,x(6),y1)
% axis equal
% axis tight
% subplot(1,2,2) %绘制第二个子图形
figure(3)
plot(L_best)
hold on %保持图形
plot(L_ave,'r')
title('平均距离和最短距离') %标题
axis([0 100 4 9])
% figure(5)
% %求出细化区域数据 &&&&需分段运行&&&
% i=15; %即假设遍历到第15个点，发现是目标区域，以步长为0.25进行细分遍历
%
% for j=1:1:5
% % pause(1);
% x111(j)=C(Shortest_Route(i),1)-0.75+0.25*j;
% x222(j)=C(Shortest_Route(i),2)-0.75+0.25*j;
% %length(x1)
% end
% % 暂时想不出矩阵的乘法生成离散后的坐标数据，暂用根据生成的x111,x222再生成细化坐标于到xls中，
% %再次调用蚁群算法。
% % C1(:,1)=[x111',x111',x111',x111',x111'];
% % C1(:,2)=[x222(1),x222(1),x222(1);
%
评论0