蚁群算法的一个基本例子

%%%一个旅行商人要拜访全国31个省会城市，需要选择最短的路径%%%%
%% 蚁群算法解决TSP问题
clear;close;clc;   %素质三连
m=50;              %蚂蚁个数
Alpha=1;           % Alpha 表征信息素重要程度的参数
Beta=5;            % Beta 表征启发式因子重要程度的参数
Rho=0.1;           % Rho 信息素蒸发系数
NC_max=200;        %最大迭代次数
Q=100;             %信息素增加强度系数
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];%%31个省会坐标
%% 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);          %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
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; %%两点间的距离  
        else
            D(i,j)=eps;   %i=j时不计算，应该为0，但后面的启发因子要取倒数，用eps（浮点相对精度）表示       
        end       
            D(j,i)=D(i,j);%对称矩阵     
    end  
end          %任意两点距离矩阵
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【31*31】
Tabu=zeros(m,n);      %存储并记录路径的生成【50*31】
NC=1;                 %迭代计数器，记录迭代次数
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 inf无穷大
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，停止 
    %% 第二步：将m只蚂蚁放到n个城市上
    Randpos=[];                          %随即存取
    for i=1:(ceil(m/n)) %取整函数  
        Randpos=[Randpos,randperm(n)];%随机打乱一个数字序列。其内的参数决定了随机数的范围。    
    end   %产生62个随机城市ID
    Tabu(:,1)=(Randpos(1,1:m))';         %选取其中50个作为蚁群起始点
    %% 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                        %所在城市不计算 
        for i=1:m  
            visited=Tabu(i,1:(j-1)); %记录已访问的城市，避免重复访问
            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 isempty(find(visited==k, 1))   %开始时置0
                    J(Jc)=k;
                    Jc=Jc+1;%访问的城市个数自加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);    
            end
            P=P/(sum(P));            %按概率原则选取下一个城市
            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
    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);      %开始距离为0，m*1的列向量
    for i=1:m 
        R=Tabu(i,:);
        for j=1:(n-1)
            L(i)=L(i)+D(R(j),R(j+1));   %原距离加上第j个城市到第j+1个城市的距  
        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
    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);%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 %结束while循环
%% 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
figure(1)
plot(L_best)
xlabel('迭代次数')
ylabel('目标函数值')
title('适应度进化曲线')
%% 画路线图
figure(2)
subplot(1,2,1)%绘制第一个子图形
N=length(R);
scatter(C(:,1),C(:,2));%城市散点图
hold on
plot([C(R(1),1),C(R(N),1)],[C(R(1),2),C(R(N),2)],'g')
hold on
for ii=2:N
    plot([C(R(ii-1),1),C(R(ii),1)],[C(R(ii-1),2),C(R(ii),2)],'g')
    hold on 
end
title('旅行商问题优化结果 ')
hold off
subplot(1,2,2) %绘制第二个子图形
plot(L_best) %保持图形
hold on
plot(L_ave,'r')
title('平均距离和最短距离')  %标题