连续优化问题 处理y= x1^2+x2^2+x3^3......

       这个是我自己编写的连续蚁群算法求解问题的代码 在变量的个数2个以内的话，能够找到较好的最优解。但是在变量个数增加的情况下，却不能够很快找到最优解  反而陷入了局部最优。我才用了全局信息素更新以及局部信息素更新的规则 对其做了一下改变。并设置了一个上限count  当最优解10次均相同时，我变跳出局部 采用新产生一个变量组 从而跳出循环 ，显然是有效果的 ，但是效果不是很明显。下一步我会继续对我的代码和算法进行深入的了解 并作出代码修改，希望能有所提高！！！！！！！！下面附上该代码 

        clc 
clear all;
% global N
%----------------------- initialization of variable-----------------------%
N = 100;%等分区间的数量
N_ants=50;%蚂蚁的数目
N_vars = 3;%变量数量
Times=20;%迭代的次数
Q = 10000;%信息量强度
Rou=0.5;%信息量残留因子
det = 10;%最优解为中心 上下浮动的程度范围一般为[1,6]
for i = 1:N_vars
    Lower(i) = -5.12;
    Upper(i) = 5.12;
end
for j = 1:N_vars 
    h(j) = (Upper(j)-Lower(j))/N;%划分后区间的大小          
 end%j  
x_best = Upper;
fx_best = F1(x_best);%!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!! 
x(1,N_vars) = 0;
P(N,N_vars) = 0;
tao_sum(N_vars) = 0;
tao(1:N,1:N_vars) =1/N;
count=1;%计数
%-------------------------------------------------------------------------%
%% 算法开始
    for iter=1:Times %迭代次数
        P(N,N_vars) = 0;
         tao_sum(N_vars) = 0;
        tao(1:N,1:N_vars) =1/N;
        for i  = 1:N_ants%遍历每只蚂蚁
            %% 将变量区间进行划分网格 
             pos = ceil(N*rand(1,N_vars));%随机放置蚂蚁         
           for j = 1:N_vars 
               h(j) = (Upper(j)-Lower(j))/N;%划分后区间的大小
               x(j) = Lower(j)+(pos(j)-1)*h(j);%计算蚂蚁当前位置（区间）的 左区间的值 
           end%j    
        
            f_value = F1(x);%!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!!  
           if f_value < fx_best
              %% 更新节点信息素局部更新
               for j= 1:N_vars
                      tao(pos(j),j) = (1-Rou)*tao(pos(j),j)+Rou*Q/f_value;
               end %j
                % 计算信息量总和
                for j = 1:N_vars
                   tao_sum(j) = sum(tao(:,j));
                 end%j
        %% 更新概率
            for j = 1:N
               for k = 1:N_vars
                  P(j,k) = tao(j,k) /tao_sum(k);
               end%k
            end %j  
           end%if
        end%i          
        %% 通过概率的大小选择最优的变量和最优的函数值
        for j = 1:N_vars
           P_vars = P(:,j);%第j个变量的所有区间概率
           [Px_best,ind] = sort(P_vars);%当前变量各个区间概率从小到大排序 ind 是对应概率的节点序号
           max_ind (j) = ind(N);%概率最大的节点序号=ind最后一个数 
           x_local(j) = Lower(j)+(Upper(j)-Lower(j))*(max_ind(j)-1)/N;%计算最大概率变量的值
        end %j 
        %信息素全局更新
         for j= 1:N_vars
              tao(max_ind(j),j) = (1-Rou)*tao(max_ind(j),j)+Rou*Q/f_value ;
         end %j
        fx_local(iter) = F1(x_local);
        if fx_best>fx_local
            fx_best = fx_local;
        end 
        lower(iter,:)=Lower;
        if iter>1
            if lower(iter,:)==lower(iter-1,:)
                count =count+1;
            end
        end
         count;
        if count==5
            count=0;
            max_ind = ceil(N*rand(1,N_vars));%随机放置蚂蚁
        end
        %% 缩小变量范围 优化变量范围  
        for j = 1:N_vars
               Lower_new(j) = Lower(j)+(max_ind(j)-det)*((Upper(j)-Lower(j))/N);
               Upper_new(j) = Lower(j)+(max_ind(j)+det)*((Upper(j)-Lower(j))/N);
               % 越界处理
               if Lower_new(j)<Lower(j)
                   Lower_new(j)=Lower(j);
               end
               if Upper_new(j) > Upper(j)
                   Upper_new(j) = Upper(j);
               end
               Lower(j) = Lower_new(j);
               Upper(j) = Upper_new(j);
        end %j
        Lower
        Upper
     end %i  
fx_local
fx_best
figure (2) %函数值的变化趋势
plot ([1:Times],fx_local,'b-')

function y  = F1(x)
% This is  function
% x is a vector


% d=length(x);
% z = 0;
% for k = 1:d
%     z = z + x(k).^2;
% end
y= sum(x.^2);