蚁群算法人工智能试验报告.docx
《蚁群算法人工智能试验报告.docx》由会员分享，可在线阅读，更多相关《蚁群算法人工智能试验报告.docx（12页珍藏版）》请在冰豆网上搜索。
蚁群算法人工智能试验报告
人工智能实验报告
姓名：
学号：
班级：
实验时间:
蚁群算法
实验原理：
蚂蚁在觅食过程中可以找出巢穴到食物源的最短路径，为什么
（1）信息素（pheromone）
（2）正反馈现象：
某一路径上走过的蚂蚁越多，则后来者选择该路径的概率就越大。
（3）挥发现象：
路径上的信息素浓度会随着时间推进而逐渐衰减。
蚁群算法的缺点:
1）收敛速度慢
2）易于陷入局部最优
改进：
1）采用局部优化，设计了三种优化算子。
2）采用蚁群优化算法。
3）其它优化算法
实验内容：
旅行商问题（TSP,travelingsalesmanproblem）：
—商人去n个城市销货，所有城市走一遍再回到起点，使
所走路程最短。
实验步骤:
算法代码：
%%蚁群算法的优化计算一一旅行商问题（TSP）优化
%%清空环境变量
clearall
clc
%%导入数据
load
%%计算城市间相互距离
n=size（citys,1）；
D=zeros（ntn）；
fori=l：
n
forj=1：
n
ifi=J
D（i.j）=sqrt（sum（（citys（i,：
）一citys（j,：
））/2））；else
D（i,j）=le-4；
end
end
end
%%初始化参数
%蚂蚁数量
%信息素重要程度因子
%启发函数重要程度因子
%信息素挥发因子
%常系数
%启发函数
%信息素矩阵
%路径记录表
%迭代次数初值
%最大迭代次数
%各代最佳路径
%各代最佳路径的长度
%各代路径的平均长度
m=50；
alpha=1:
•
beta=5；
rho=；
Q=1;
Eta=1./D；
Tau=ones（ntn）；
Table=zeros（m,n）；
iter=1；
iter_max=200；
Routebest=zeros（itermaxtn）:
Lengthbest=zeros（iter_max,1）；Lengthave=zeros（itermax,1）;
%%迭代寻找最佳路径
whileiter<=iter_max
%随机产生各个剧蚁的起点城市
start=zeros（m,1）；
fori=l：
m
temp=randperm（n）:
%返回n个［0,n］间的随机元素向量
start（i）=temp（l）；
end
Table（:
1）=start；
%构建解空间
citys_index=1：
n；%访问l'n这n个城市
%逐不蚂蚁路径选择
fori=l：
m
%逐个城市路径选择
forj=2：
n%各个蚂蚁都需要访问n-1个城市
tabu=Table（i,1：
（j-1））；%已访问的城市集合（禁
忌表）
allow_index=^ismember（citys_index,tabu）:
%判断
citys_index中元素有没有在tabu中出现，出现用1表示，否则用0表示。
allow=citys_index（allowindex）:
%待访问的城市集合
P=allow；
%计算城市间转移概率
fork=1：
length（allow）
P（k）=Tau（tabu（end）,allow（k））alpha*
Eta（tabu（end）,allow（k）厂beta；
end
P=P/sum（P）:
%轮盘赌法选择下一个访问城市
Pc=cumsum（P）:
%返回矩阵不同维数的累加
targetindex=find（Pc>=rand）；%选择下一个访问城市，往往转移概率大的城市被选中的概率也更大。
target=allow（target_index
（1））:
Table（i,j）=target；%已选定的下一个待访问城市end
end
%计算各个蚂蚁的路径距离
Length=zeros（m,1）:
fori=l：
m
Route=Table（i.:
）；
forj=1：
（n-1）
Length（i）=Length（i）+D（Route（j）,Route（j+1））;
end
Length（i）=Length（i）+D（Route（n）,Route
（1））:
%构成环
end
%计算最短路径距离及平均距离
ifiter==1
[minLength,minindex]=min（Length）:
Lengthbest（iter）=minLength；
Lengthave（iter）=mean（Length）:
Routebest（iter,:
）=Table（minindex,：
）:
%Table,访问城市
列表，也就是路径记录表
else
IminLength,minindex]=min（Length）:
Lengthbest（iter）=min（Lengthbest（iter-1）,min_Length）:
Lengthave（iter）=mean（Length）；
ifLengthbest（iter）==minLength
Route^best（iter,:
）=Table（minindex,:
）:
else
Route_best（iter,:
）=Route_best（（iter-1）,：
）；
■
end
end
%更新信息素
Delta_Tau=zeros（n,n）；
%逐不蚂蚁计算
fori=l：
m
%逐个城市计算
forj=1：
（n-1）
DeltaTau（Table（i,j）,Table（i,j+1））=
DeltaTau（Table（i,j）.Table（i,j+1））+Q/Length（i）:
end
Delta_Tau（Table（i,n）tTable（i,1））二
DeltaTau（Table（i,n）.Table（i,1））+Q/Length（i）:
end
Tau=（1-rho）*Tau+DeltaTau；%所有蚂蚁在各连接路径上的信息素浓度，不同迭代层间有关联
%迭代次数加1,清空路径记录表
iter=iter+1;
Table=zeros（m,n）；
end
%%结果显示
[ShortestLength,index]=min（Lengthbest）:
Shortest_Route=Routebest（index,:
）:
disp（[‘最短距离：
'num2str（Shortest_Length）]）；
disp（[‘最短路径：
'num2str（[Shortest,RouteShortest_Route
（1）]）]）;
%%绘图
figure（l）
plot（[citys（Shortest,Route,1）:
citys（Shortest,Route
（1）,1）],・・・
[citys（Shortest,Route,2）；citys（Shortest,Route
（1）,2）],‘0-’）;gridonfori=1：
size（cityst1）
end
text（citys（Shortest^Route
（1）,1）,citys（ShortestRoute
（1）T2）/起
点J;""
text（citys（Shortest_Route（end）,1）,citys（ShortestRoute（end）12）/
终点'）；
xlabel?
城市位置横坐标'）
ylabelC城市位置纵坐标'）
titledF蚁群算法优化路径（最短距离：
’num2str（Shortest_Length）r）1]）figure
（2）
plot（1：
iter_max,Lengthybest/b1,1：
itermax,Lengthave,1r：
r）
legend（-最短距离’，’平码距离’）
xlabelC迭代次数'）
ylabelC距离J
titleC各代最短距离与平均距离对比'）
实验结果：
FileEditViev/InsertToolsDesktopWindov/HelpD&皱&紳⑥®|□S.BQ
1500200025003000350040004500
城市位置横坐标
回
40
5
FileEdit\/iewInsertToolsDesktopWindowHelp
□se愴®Q曹®舉□目■口
」00
0010
5
1500200025003000350040004500
城市位羞横坐标
蚁群算法优化路径（販短距离:
156019195）
升级会员 