matlab_传统的相控阵雷达，发射信号完全相关_正交波束

close all; clear all; m=10;Alpha=1;Beta=5;Rho=0.1;NC_max=200;Q=100; C=[ 1304 2312; 3639 1315; 4177 2244; 3712 1399; 3488 1535; 3326 1556; 3238 1229; 4196 1004; 4312 790; 4386 570; 3007 1970; 2562 1756; 2788 1491; 2381 1676; 1332 695; 3715 1678; 3918 2179; 4061 2370; 3780 2212; 3676 2578; 4029 2838; 4263 2931; 3429 1908; 3507 2367; 3394 2643; 3439 3201; 2935 3240; 3140 3550; 2545 2357; 2778 2826; 2370 2975 ]; %%========================================================================= %% ACATSP.m %% Ant Colony Algorithm for Traveling Salesman Problem %% ChengAihua,PLA Information Engineering University,ZhengZhou,China %% Email:aihuacheng@gmail.com %% All rights reserved %%------------------------------------------------------------------------- %% 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);%C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; %% end %% D(j,i)=D(i,j); %% 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 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 %%第二步：将m只蚂蚁放到n个城市上 Randpos=[]; 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 for i=1:m visited=Tabu(i,1:(j-1));%已访问的城市 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 J(Jc)=k; Jc=Jc+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); P(k)=(Tau(visited(end),J(k))^Alpha) end P=P/(sum(P)); %按概率原则选取下一个城市 Pcum=cumsum(P); Select=find(Pcum>=rand); 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); %for i=1:m % R=Tabu(i,:); % for j=1:(n-1) % L(i)=L(i)+D(R(j),R(j+1)); % end % L(i)=L(i)+D(R(1),R(n)); %end %L_best(NC)=min(L); %pos=find(L==L_best(NC)); %R_best(NC,:)=Tabu(pos(1),:); %L_ave(NC)=mean(L); %NC=NC+1; A=zero(1,3); C=zero(1,3); for i=1:m xh(1,:)=Tabu(i,1:4); xh(2,:)=Tabu(i,5:8); xh(3,:)=Tabu(i,9:12); for ll=1:3 for nn=1:3 A(1,ll)=exp(j*(xh(ll,nn)-xh(ll,nn+1)))+A(1,ll); end A(1,ll)=(1/4)*A(1,ll); end for nn=1:3 C(1,1)=exp(j*(xh(1,nn)-xh(2,nn+1)))+C(1,1); C(1,2)=exp(j*(xh(1,nn)-xh(3,nn+1)))+C(1,2); C(1,3)=exp(j*(xh(2,nn)-xh(3,nn+1)))+C(1,3); end for ll=1:3 C(1,ll)=(1/4)*C(1,ll); end AA=max(abs(A(1,1)),abs(A(1,2)),abs(A(1,3))) BB=max(abs(C(1,1)),abs(C(1,2)),abs(C(1,3))) CC=(abs(A(1,1)))^2+(abs(A(1,2)))^2+(abs(A(1,3)))^2 DD=(abs(C(1,1)))^2+(abs(C(1,2)))^2+(abs(C(1,3)))^2 E(i)=AA+BB+CC+DD; end L_best(NC)=min(E); pos=find(E==L_best(NC)); R_best(NC,:)=Tabu(pos(1),:); L_ave(NC)=mean(E); NC=NC+1; %%第五步：更新信息素 Delta_Tau=zeros(n,n); 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); end Delta_Tau(Tabu(i,n),Tabu(i,1))=Delta_Tau(Tabu(i,n),Tabu(i,1))+Q/L(i); end Tau=(1-Rho).*Tau+Delta_Tau; %%第六步：禁忌表清零 Tabu=zeros(m,n); end %%第七步：输出结果 Pos=find(L_best==min(L_best)); Shortest_Route=R_best(Pos(1),:); Shortest_Length=L_best(Pos(1)); %subplot(1,2,1) %DrawRoute(C,Shortest_Route) %subplot(1,2,2) %plot(L_best) %hold on %plot(L_ave)