混合粒子群算法原始.rar_tsp_混合粒子群算法解决tsp问题_粒子群_粒子群·算法_粒子群算法

%% 该文件演示基于TSP-PSO算法,改过的程序 clc clear close all %% 下载数据 load citys31_data.mat % 变量citys为31行2列的数据（第1列表示各个城市的横坐标，第2列表示各个城市的纵坐标）%加上台湾台北、香港、澳门一共34,最优解15377 cityCoor=citys; n=size(cityCoor,1); %城市数目 %% 计算城市间距离 cityDist=zeros(n,n); %城市距离矩阵 for i=1:n for j=i+1:n cityDist(i,j)=(sum((cityCoor(i,:)-cityCoor(j,:)).^2))^0.5; cityDist(j,i)=cityDist(i,j); end end nMax=500; %进化次数 indiNumber=1000; %个体数目 individual=zeros(indiNumber,n); %^初始化粒子位置 for i=1:indiNumber individual(i,:)=randperm(n); end %% 计算种群适应度 indiFit=fitness(individual,cityCoor,cityDist); [value,index]=min(indiFit); tourPbest=individual; %当前个体最优 tourGbest=individual(index,:) ; %当前全局最优 recordPbest=indiFit'; %个体最优记录 % 原程序 recordPbest=inf*ones(1,indiNumber); recordGbest=value; %群体最优记录 % 原程序 recordGbest=indiFit(index); %% 循环寻找最优路径 L_best=zeros(1,nMax); tic for N=1:nMax for i=1:indiNumber a=individual(i,:); %% 交叉操作 % 与个体最优进行交叉 b=tourPbest(i,:); a=intercross(a,b); %新路径长度变短则接受 dist=Dist(a,cityDist); if indiFit(i)>dist individual(i,:)=a; indiFit(i)=dist; end % 与全体最优进行交叉 b=tourGbest; a=intercross(a,b); %新路径长度变短则接受 dist=Dist(a,cityDist); if indiFit(i)>dist individual(i,:)=a; indiFit(i)=dist; end %% 变异操作 R=randperm(n); r1=R(1); r2=R(2); a([r1,r2])=a([r2,r1]); %新路径长度变短则接受 dist=Dist(a,cityDist); if indiFit(i)>dist individual(i,:)=a; indiFit(i)=dist; end end %%%%% for i=1:indiNumber %更新当前最优和历史最优 for i=1:indiNumber if indiFit(i)<recordPbest(i) recordPbest(i)=indiFit(i); tourPbest(i,:)=individual(i,:); end if indiFit(i)<recordGbest recordGbest=indiFit(i); tourGbest=individual(i,:); end end L_best(N)=recordGbest; end %%%%% for N=1:nMax toc disp(['最短距离:' num2str(recordGbest)]); disp('最短路径:') p=OutputPath(tourGbest); DrawPath(tourGbest,cityCoor) %% 结果作图 figure plot(L_best) title('算法训练过程') xlabel('迭代次数') ylabel('适应度值') grid on