【ALO MTSP】基于matlab蚁狮算法ALO求解单仓库多旅行商问题【含Matlab源码 3816期】

💥💥💥💥💞💞💞💞💞💞欢迎来到麒麟科研社博客之家💞💞💞💞💞💞💥💥💥💥

✅博主简介：985研究生，热爱科研的Matlab仿真开发者，完整代码 论文复现 程序定制 期刊写作 科研合作 扫描文章底部QQ二维码。
🍎个人主页：麒麟科研社
🏆代码获取方式：扫描文章底部QQ二维码

⛳️座右铭：行百里者，半于九十。
更多Matlab路径规划仿真内容点击👇
①Matlab路径规划（麒麟科研社版）

⛳️关注微信公众号Matlab王者助手或Matlab海神之光，更多资源等你来！！

⛄一、蚁群算法ACS求解单仓库多旅行商问题

1 TSP
旅行商问题，即TSP问题（Traveling Salesman Problem）又译为旅行推销员问题、货郎担问题，是数学领域中著名问题之一。假设有一个旅行商人要拜访n个城市，他必须选择所要走的路径，路径的限制是每个城市只能拜访一次，而且最后要回到原来出发的城市。路径的选择目标是要求得的路径路程为所有路径之中的最小值。
TSP的数学模型

多旅行商问题（Multiple Traveling Salesman Problem, MTSP）是著名的旅行商问题（Traveling Salesman Problem, TSP）的延伸，多旅行商问题定义为：给定一个𝑛座城市的城市集合，指定𝑚个推销员，每一位推销员从起点城市出发访问一定数量的城市，最后回到终点城市，要求除起点和终点城市以外，每一座城市都必须至少被一位推销员访问，并且只能访问一次，需要求解出满足上述要求并且代价最小的分配方案，其中的代价通常用总路程长度来代替，当然也可以是时间、费用等。围绕着各推销员的起始点和终止点来划分，多旅行商问题大致可以分为四种：

1.1 第一种多旅行商问题
单仓库多旅行商问题（Single-Depot Multiple Travelling Salesman Problem, SD-MTSP）：𝑚个推销员从同一座中心城市出发，访问其中一定数量的城市并且每座城市只能被某一个推销员访问一次，最后返回到中心城市，通常这种问题模型被称之为SD-MTSP。

1.2 第二种多旅行商问题
多仓库多旅行商问题（Multi-Depot Multiple Travelling Salesman Problem, MD-MTSP）：𝑚个推销员从𝑚座不同的城市出发，访问其中一定数量的城市并且每座城市只能被某一个推销员访问一次，最后回到各自出发的城市，这种问题模型被称之为MD-MTSP。

1.3 第三种多旅行商问题
𝑚个推销员从同一座城市出发，访问其中一定数量的城市并且每座城市只能被某一个推销员访问一次，最后再返回到不同的𝑚座城市。

1.4 第四种多旅行商问题
𝑚个推销员从𝑚座不同城市出发，访问其中一定数量的城市并且每座城市只能被某一个推销员访问一次，最后再返回到同一座城市。

2 蚁狮算法
摘要：蚁狮优化(Ant Lion Optimizer，ALO)算法是Mirjalili于2015提出的一种新型元启发式群智能算法[1]。由于引入了随机游走、轮盘赌策略及精英策略，使得 ALO 算法成为一种种群多样、寻优性能强、调节参数少、易于实现的搜索技术。

2.1 算法原理
ALO 算法核心思想是模拟蚁狮捕猎蚂蚁的狩猎机制以实现全局寻优。蚁狮在捕猎前会在在沙质土中利用其巨大的下颚挖出一个漏斗状的陷阱，并藏在陷阱底部等待猎物到来。一旦随机游走的蚂蚁落入陷阱时，蚁狮迅速将其捕食，随后重新修缮陷阱等待下一次捕猎。ALO 算法通过数值模拟实现蚂蚁和蚁狮之间的相互作用将问题优化:引入蚂蚁的随机游走实现全局搜索，通过轮盘赌策略和精英策略保证种群的多样性和算法的寻优性能。蚁狮相当于优化问题的解，通过猎捕高适应度的蚂蚁实现对近似最优解的更新和保存。

2.2 算法步骤
（1）数据初始化。确定蚂蚁和蚁狮的数量以及变量维数，在可行域内随机初始化它们的位置，并计算相应的适应度值。
（2）确定精英蚁狮。选择初始化后蚁狮种群中适应度最好的作为精英蚁狮。
（3）通过轮盘赌为每只蚂蚁选择一只蚁狮，根据蚁狮位置更新的值，并使该蚂蚁按照式(1)、式(3)在蚁狮及精英蚁狮附近随机游走，最后按式(8)取平均值作为蚂蚁的位置。
（4） 每次迭代后重新计算蚂蚁和蚁狮适应度值，根据蚂蚁的位置和适应度更新蚁狮位置，适应度最好的位置为新精英蚁狮的位置。
（5）判断是否到达最大迭代次数，若到达则输出结果并结束迭代，否则重复步骤 (3)。

⛄二、部分源代码

close all
clear
clc
%数据集参考文献 REINELT G.TSPLIB-a traveling salesman problem[J].ORSA Journal on Computing,1991,3(4):267-384.
global data StartPoint Tnum
% 导入TSP数据集 bayg29
load(‘data.txt’)
Tnum=3;%旅行商个数（可以自行更改）2-6
StartPoint=10; %选择起点城市（可以自行更改）
Dim=size(data,1)-1;%维度
lb=-10;%下界
ub=10;%上界
fobj=@Fun;%计算总距离
SearchAgents_no=100; % 种群大小（可以修改）
Max_iteration=2000; % 最大迭代次数（可以修改）
[fMin,bestX,curve]=AHA(SearchAgents_no,Max_iteration,lb,ub,Dim,fobj);

%% 最终的结果 Kd是最终的城市序列
[~,idx]=sort(bestX);
idx(idx>=StartPoint)=idx(idx>=StartPoint)+1;
num=floor(length(idx)/Tnum);
Lnum=num*ones(1,Tnum);
Lnum(Tnum)=length(idx)-(Tnum-1)num;
Kd=StartPointones(Tnum,max(Lnum)+2);
st=1;%起始位置
for i=1:Tnum
en=st+Lnum(i)-1;%结束位置
Kd(i,2:Lnum(i)+1)=idx(st:en);
st=en+1;
end
%% %%%%%%%%%%%%%%%%%%% 保存数据 %%%%%%%%%%%%%%%%%%%%%
save Kd Kd %保留最终的城市序列
save curve curve %保留算法求解的收敛曲线
%% 求解结果画图
PlotResult;%求解结果画图

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1] 程荣.遗传算法求解旅行商问题[J].科技风. 2017,(16)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化

2 机器学习和深度学习方面
卷积神经网络（CNN）、LSTM、支持向量机（SVM）、最小二乘支持向量机（LSSVM）、极限学习机（ELM）、核极限学习机（KELM）、BP、RBF、宽度学习、DBN、RF、RBF、DELM、XGBOOST、TCN实现风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

3 图像处理方面
图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

4 路径规划方面
旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、车辆协同无人机路径规划、天线线性阵列分布优化、车间布局优化

5 无人机应用方面
无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配

6 无线传感器定位及布局方面
传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化

7 信号处理方面
信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置

9 元胞自动机方面
交通流 人群疏散 病毒扩散 晶体生长

10 雷达方面
卡尔曼滤波跟踪、航迹关联、航迹融合