%%-------------------------------------------------------------------------
clear all; %清除所有变量
close all; %清图
clc ; %清屏
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=0.05; %% Rho 信息素蒸发系数
NC_max=2000; %%最大迭代次数
Q=1; %%信息素增加强度系数
C = citys();
t1=clock;
%% 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
%%=========================================================================
N_max=20;
%%第一步:变量初始化
for kk=1:N_max
n=size(C,1);%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)=round(((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=1000*ones(n,n); %Tau为信息素矩阵,初始信息素矩阵
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;%找到所有路径
end
end
if NC>=2
Tabu(1,:)=R_best(NC-1,:);
end
ant_chu = Tabu;
%%计算其反向路径
for a = 1:1:m
Path_zhong=0.5*(1+n);
z=round(Path_zhong);
for b=1:n
if abs(ant_chu(a,b)-Path_zhong)<1
Path_opp(a,b)=ant_chu(a,b);
elseif ant_chu(a,b) > z
Path_opp(a,b)=ant_chu(a,b)-z;
elseif ant_chu(a,b) < z
Path_opp(a,b)=ant_chu(a,b)+z;
end
end
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
L_opp=zeros(m,1);%反向路径的长度
for i=1:m
R=Tabu(i,:);
R_opp=Path_opp(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
L_opp(i)=L_opp(i)+D(R_opp(j),R_opp(j+1));
end
L(i)=L(i)+D(R(1),R(n)); %一轮下来后走过的距离
L_opp(i)=L_opp(i)+D(R_opp(1),R_opp(n));%反向后的路径长度
end
L_best(NC)=min(L); %此轮迭代最佳距离取最小
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
%%求出TauMax,TauMin信息素界限.
gb_length=min(L_best); %找到全局最优解
TauMax=1/(Rho*gb_length);
pbest=0.05; %%pbest设置为0.05
pbest=power(pbest,1/n);
TauMin=TauMax*(1-pbest)/((n/2-1)*pbest);
%%第五步:MMAS更新信息素只更新全局最优路径或迭代最优路径上的信息素,本程序采用迭代最优路径
%计算信息素增量
Delta_Tau=zeros(n,n); %开始时信息素增量为0
for j=1:(n-1)
Delta_Tau(R_best(NC,j),R_best(NC,j+1))=Delta_Tau(R_best(NC,j),R_best(NC,j+1))+1/L_best(NC);
end
Delta_Tau(R_best(NC,n),R_best(NC,1))=Delta_Tau(R_best(NC,n),R_best(NC,1))+1/L_best(NC);%最后一个城市到第一个城市之间的信息素增量
%信息素更新公式
Tau=(1-Rho).*Tau+Delta_Tau; %考虑信息素挥发,更新后的信息素
%最差路径上的信息素设为最小值
for k=1:m
tour=Path_opp(k,:);
tour=[tour tour(1)]; %#ok
for l=1:n
i=tour(l);
j=tour(l+1);
Tau(i,j)=TauMax;
end
end
%%检查环境信息素是否置于最大最小值之间
for i=1:n
for j=1:n
if Tau(i,j)>TauMax
Tau(i,j)=TauMax;
else if Tau(i,j)<TauMin
Tau(i,j)=TauMin;
end
end
end
end
%%第六步:禁忌表清零
Tabu=zeros(m,n);
NC=NC+1 %迭代继续
end %%直到最大迭代次数
%%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
% 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)
% hold on %保持图形
% plot(L_ave,'r')
% title('平均距离和最短距离') %标题
% disp('MMAS');
bestcost_global(kk)=Shortest_Length;
kk
end
maxcost_global=max(bestcost_global)
mincost_global=min(bestcost_global)
meancost_global=mean(bestcost_global)
stdcost_global=std(bestcost_global)
t2=clock;
time = etime(t2,t1)
save
评论5