A_改进蚁群_蚁群车辆_蚁群算法_蚁群算法改进

function yy=A x=[41 37 54 25 7 2 68 71 54 83 64 18 22 83 91 25 24 58 71 74 87 18 13 82 62 58 45 41 44 4]'; y=[94 84 67 62 64 99 58 44 62 69 60 54 60 46 38 38 42 69 71 78 76 40 40 7 32 35 21 26 35 50]'; %% 第一步：变量初始化 C=[x y]; %%n个城市的坐标，n*2的矩阵 NC_max=50; %%最大迭代次数 m=30; %%蚂蚁个数 Alpha=1.5; %%表征信息素重要程度的参数 Beta=2; %%表征启发式因子重要程度的参数 Rho=0.1; %%信息数蒸发系数 Q=10^6; %%信息素增加强度系数 %% 计算每两个城市的距离并放在矩阵D里 n=size(C,1);%n表示问题的规模（城市个数），C矩阵中的行数。 D=zeros(n,n);%D表示完全图的赋权邻接矩阵，n*n的0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 %% 参数 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 全1矩阵 Tabu=zeros(m,n); %存储并记录路径的生成 m*n的0矩阵 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 NC_max*n的0矩阵 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{网上说一句话可以代替第二部Tabu=ceil(n*rand(1,m))'} Randpos=[]; %随即存取 for i=1:(ceil(m/n))%ceil 是对m/n取整 Randpos=[Randpos,randperm(n)];%randperm(4)一个包含N个在0到N之间产生的随机元素的向量[2 3 1 4] 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; %访问过城市的个数 for k=1:n if length(find(visited==k))==0 %开始时置0,ind = find(X) 找出矩阵X中的所有非零元素，并将这些元素的线性索引值（linear indices：按列）返回到向量ind中。如果X是一个行向量，则ind是一个行向量；否则，ind是一个列向量。 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 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 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 function DrawRoute(C,R) %%========================================================================= %% DrawRoute.m %% 画路线图的子函数 %% C Coordinate 节点坐标，由一个N×2的矩阵存储 %% R Route 路线 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(R(ii-1),1),C(R(ii),1)],[C(R(ii-1),2),C(R(ii),2)],'g') hold on end title('旅行商问题优化结果 ')