%下面为主函数：
clc;
clear;
close all;
tic
T0=1000; %初始温度
Tend =0.001; %终止温度
L=400; %各温度下的迭代次数（链长）
q=0.98; %降温速率
% X=[16.4700 96.1000
% 16.4700 94.4400
% 20.0900 92.5400
% 22.3900 93.3700
% 25.2300 97.2400
% 22.0000 96.0500
% 20.4700 97.0200
% 17.2000 96.2900
% 16.3000 97.3800
% 21.5200 92.5900
% 19.4100 97.1300
% 20.0900 92.5500];
X=rand(50,2)*10;%随机生成坐标
D=Distanse(X); %计算距离矩阵
N=size(D,1); %城市的个数
%%初始解
S1=randperm(N); %随机产生一个初始路线
%画出随机解的路径图
DrawPath(S1,X)
pause(0.0001)
%%输出随机解的路径和总距离
disp('初始种群中的一个随机解:')
OutputPath(S1);
Rlength=PathLength(D,S1);
disp(['总距离:',num2str(Rlength)]);
%%计算迭代的次数Time
syms x;
Time=ceil(double(solve(1000*(0.9)^x==Tend)));
count=0; %迭代计数
Obj=zeros(Time,1); %目标值矩阵初始化
track=zeros(Time,N); %每代的最优路线矩阵初始化
%%迭代
while T0>Tend
count = count+1;
temp = zeros(L,N+1);
for k=1:L
%%产生新解
S2=NewAnswer(S1);
%%Metropplis法则判断是否接受新解
[S1,R]=Metropolis(S1,S2,D,T0); %Metropolis抽样算法
temp(k,:) = [S1 R]; %记录下一路线及其路程
end
%%记录每次迭代过程的最优路线
[d0,index]=min(temp(:,end)); %找出当前温度下最优路线
if count==1||d0<Obj(count-1)
Obj(count)=d0; %如果当前温度下最优路径小于上一路程，则记录当前路程
else
Obj(count)=Obj(count-1); %如果当前温度下最优路程大于上一路程，则记录上一路程
end
track(count,:)=temp(index,1:end-1); %记录当前温度下最优路线
T0=q*T0; %降温
fprintf(1,'%d\n',count) %输出当前迭代次数
end
%%优化过程迭代图
figure
plot(1:count,Obj)
xlabel('迭代次数')
ylabel('距离')
title('优化过程')
%%最优解的路径图
DrawPath(track(end,:),X)
%%输出最优解的路线和总距离
disp('最优解')
S=track(end,:);
p = OutputPath(S);
disp(['总距离:',num2str(PathLength(D,S))]);
disp('-------------------------------------------------------------')
toc
