mmas_最大最小蚁群算法_MMASmatlab_mmas_

%%------------------------------------------------------------------------- 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