蚂蚁算法matlab代码及说明.docx
《蚂蚁算法matlab代码及说明.docx》由会员分享，可在线阅读，更多相关《蚂蚁算法matlab代码及说明.docx（12页珍藏版）》请在冰豆网上搜索。
蚂蚁算法matlab代码及说明
[转]蚁群算法TSP（旅行商问题）通用matlab程序
分类：
优化算法2007-04-2307:
51
function[R_best,L_best,L_ave,Shortest_Route,Shortest_Length]=ACATSP（C,NC_max,m,Alpha,Beta,Rho,Q）
%%=========================================================================
%%ACATSP.m
%%AntColonyAlgorithmforTravelingSalesmanProblem
%%ChengAihua,PLAInformationEngineeringUniversity,ZhengZhou,China
%%Email:
%%Allrightsreserved
%%-------------------------------------------------------------------------
%%主要符号说明
%%Cn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）;%n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
fori=1:
n
forj=1:
n
ifi~=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
whileNC<=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=[];
fori=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
forj=2:
n
fori=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;
fork=1:
n
iflength（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
fork=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）;
Select=find（Pcum>=rand）;
to_visit=J（Select
（1））;
Tabu（i,j）=to_visit;
end
end
ifNC>=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）;
fori=1:
m
R=Tabu（i,:
）;
forj=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
%%第五步：
更新信息素
Delta_Tau=zeros（n,n）;
fori=1:
m
forj=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）
holdon
plot（L_ave）
functionDrawRoute（C,R）
%%=========================================================================
%%DrawRoute.m
%%画路线图的子函数
%%-------------------------------------------------------------------------
%%CCoordinate节点坐标，由一个N×2的矩阵存储
%%RRoute路线
%%=========================================================================
N=length（R）;
scatter（C（:
1）,C（:
2））;
holdon
plot（[C（R
（1）,1）,C（R（N）,1）],[C（R
（1）,2）,C（R（N）,2）]）
holdon
forii=2:
N
plot（[C（R（ii-1）,1）,C（R（ii）,1）],[C（R（ii-1）,2）,C（R（ii）,2）]）
holdon
end
设置初始参数如下：
m=31;Alpha=1;Beta=5;Rho=0.1;NC_max=200;Q=100;
31城市坐标为：
13042312
36391315
41772244
37121399
34881535
33261556
32381229
41961004
4312790
4386570
30071970
25621756
27881491
23811676
1332695
37151678
39182179
40612370
37802212
36762578
40292838
42632931
34291908
35072367
33942643
34393201
29353240
31403550
25452357
27782826
23702975
体验新版博客
上一篇：
[转]遗传算法的发展现状与应用实例
下一篇：
[转]基于matlabTSP问题蚁群算法的实现
分享|评论（0）|阅读（32）|固定链接|类别（优化算法）|发表于07:
51|最后修改于2007-04-2307:
52
另一种代码说明
%%第二步：
将m只蚂蚁放到n个城市（过孔）上
Randpos=[];%随即存取
fori=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（过孔），完成各自的周游
forj=2:
n%所在城市（过孔）不计算
fori=1:
m
visited=Tabu（i,1:
（j-1））;%记录已访问的城市（过孔），避免重复访问
J=zeros（1,（n-j+1））;%待访问的城市（过孔）
P=J;%待访问城市（过孔）的选择概率分布
Jc=1;
fork=1:
n
iflength（find（visited==k））==0%开始时置0
J（Jc）=k;
Jc=Jc+1;%访问的城市（过孔）个数自加1
end
end
%下面计算待选城市（过孔）的概率分布
fork=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（过孔）
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
ifNC>=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
fori=1:
m
R=Tabu（i,:
）;
forj=1:
（n-1）
---14-
L（i）=L（i）+D（R（j）,R（j+1））;%原距离加上第j个城市（过孔）到第j+1个城
市（过孔）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
fori=1:
m
forj=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）
holdon%保持图形
plot（L_ave,'r'）
title（'平均距离和最短距离'）%标题
functionDrawRoute（C,R）
双钻头于遗传算法MATLAB计算部分程序如下：
%VerifyInputs
[N,dims]=size（xy）;
[nr,nc]=size（dmat）;
---15-
ifN~=nr||N~=nc
error（'InvalidXYorDMATinputs!
'）
end
n=N;
%SanityChecks
pop_size=4*ceil（pop_size/4）;
num_iter=max（1,round（real（num_iter
（1））））;
show_prog=logical（show_prog
（1））;
show_res=logical（show_res
（1））;
%Initialize
pop=zeros（pop_size,n）;
fork=1:
pop_size
pop（k,:
）=randperm（n）;
end
%RuntheGA
global_min=Inf;
total_dist=zeros（1,pop_size）;
dist_history=zeros（1,num_iter）;
tmp_pop=zeros（4,n）;
new_pop=zeros（pop_size,n）;
ifshow_prog
pfig=figure（'Name','TSP_GA|CurrentBest
Solution','Numbertitle','off'）;
end
foriter=1:
num_iter
%EvaluateEachPopulationMember（CalculateTotalDistance）
forp=1:
pop_size
d=dmat（pop（p,n）,pop（p,1））;%ClosedPath
fork=2:
n
d=d+dmat（pop（p,k-1）,pop（p,k））;
end
total_dist（p）=d;
end
%FindtheBestRoute
[min_dist,index]=min（total_dist）;
dist_history（iter）=min_dist;
ifmin_distglobal_min=min_dist;
opt_rte=pop（index,:
）;
ifshow_prog
%PlottheBestRoute
figure（pfig）;
rte=opt_rte（[1:
n1]）;
ifdims==3,plot3（xy（rte,1）,xy（rte,2）,xy（rte,3）,'r.-'）;
---16-
elseplot（xy（rte,1）,xy（rte,2）,'r.-'）;end
title（sprintf（'TotalDistance=%1.4f,Iteration
=%d',min_dist,iter））;
end
end
%GeneticAlgorithmOperators
rand_pair=randperm（pop_size）;
forp=4:
4:
pop_size
rtes=pop（rand_pair（p-3:
p）,:
）;
dists=total_dist（rand_pair（p-3:
p））;
[ignore,idx]=min（dists）;
best_of_4_rte=rtes（idx,:
）;
ins_pts=sort（ceil（n*rand（1,2）））;
I=ins_pts
（1）;
J=ins_pts
（2）;
fork=1:
4%MutatetheBesttogetThreeNewRoutes
tmp_pop（k,:
）=best_of_4_rte;
switchk
case2%Flip
tmp_pop（k,I:
J）=fliplr（tmp_pop（k,I:
J））;
case3%Swap
tmp_pop（k,[IJ]）=tmp_pop（k,[JI]）;
case4%Slide
tmp_pop（k,I:
J）=tmp_pop（k,[I+1:
JI]）;
otherwise%DoNothing
end
end
new_pop（p-3:
p,:
）=tmp_pop;
end
pop=new_pop;
End
升级会员 