【WPA TSP】狼群算法求解旅行商问题【含Matlab源码 211期】

💥💥💞💞欢迎来到Matlab仿真科研站博客之家💞💞💥💥

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。

🍎个人主页：Matlab仿真科研站博客之家

🏆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；路漫漫其修远兮，吾将上下而求索。

⛄更多Matlab路径规划（仿真科研站版）仿真内容点击👇
Matlab路径规划（仿真科研站版）

⛄一、TSP简介

旅行商问题(traveling salesman problem,TSP)是一种常见的路径优化问题，其目的是为了求得一条经过所有城市的最短路径。现实生活中，很多问题都被抽象为TSP进行求解。例如机器人控制、车间调度、无人机航迹规划、计算机连网、网络路由器布设等。虽然TSP属于NP-hard的组合优化问题，求解困难，但是其研究具有实际价值和重要的理论意义。

理论上，较小规模的TSP可以用传统算法获得最优解，较大规模的TSP一般采用启发式算法，但启发式算法也存在着有限时间内无法取得最优解的局限。而由自然界生物群体演化而来的群体智能算法(遗传算法、粒子群优化算法、蚁群算法、人工蜂群算法、萤火虫群优化算法、生物地理迁移算法、帝国主义竞争算法等)，为求解复杂路径优化问题提供了不同的方法。新兴的群体智能仿生算法提高了在有限时间内获得最优解的概率，并且缩小了解空间。但很多算法也存在容易陷入局部极值和收敛速度慢等不足。因此，路径规划问题依然是具有难度和研究价值的问题之一。基于狼群算法，国内外很多学者提出了不同的改进方法。通过设计新的猛狼位置更新公式，优化传统狼群算法步长的方法进行改进。通过引入差分进化中的交叉、变异、选择等操作，提高了算法的寻优性能。但是它们都存在着收敛速度慢、易陷入局部最优的缺点，尤其是未考虑到狼群算法在离散域求解的问题。因此为实现离散域的路径优化，采用一种引入位置—次序编码的方法。为了提高狼群算法求解的速度与精度，在迭代过程中采用引入随机单点插入算子、多点插入算子的方法，通过二次搜索来实现在达到最大迭代次数时出现最优解。

1 狼群算法的概述
探狼游走、召唤头狼、猛狼围攻这三种智能行为构成了狼群算法[8]的主体。其规则是优胜劣汰的狼群更新规则以及胜者为王的头狼角逐规则。其步骤如下:
a)狼群的空间坐标在解空间中随机初始化，头狼即为最优目标函数值的人工狼。
b)在搜索猎物时，探狼开始游走。如果探狼发现的气味浓度比头狼发现的浓度大，则探狼处于主导地位，同时更新头狼位置。反之，探狼需要继续游走，直到发现的猎物气味浓度大于头狼或者是达到最大的游走次数，那么头狼将在现有的位置进行召唤。
c)在头狼发出召唤以后，猛狼开始以最大步长向头狼移动。在这个过程中，如果发现猛狼的目标值优于头狼，那么将更新头狼。反之，猛狼将不断移动，直到进入围攻范围。
d)联合探狼以后，靠近头狼的猛狼将围捕猎物(把头狼位置视为猎物)。如果在实施围攻以后，发现人工狼的目标值优于头狼，则更新头狼位置，继续进行捕获;反之，则不变。
e)将目标函数值较小的人工狼进行淘汰，并且新的人工狼将在解空间中随机生成，不断实现狼群的更新。
f)最后头狼的目标值需要根据是否收敛于全局最优解或者迭代次数是否达到最大来判断。如果没有达到，则需要继续迭代，直到满足条件。在达到要求以后，输出的目标函数值就是最优解，被求函数的最佳位置即为头狼的空间坐标。

2 狼群算法求解路径规划
狼群算法虽然可以处理简单的路径规划问题，但不能实现离散域的路径规划，且迭代速度较慢。因此提出一种改进狼群算法，该算法通过引入位置—次序编码的方法，来实现离散域的路径优化;通过二次搜索来提高狼群算法求解的速度与精度，具体过程如下。

2.1 狼群算法求解路径规划原理
狼群算法与路径规划问题的对应关系如下:a)狼群算法———路径规划;b)狼个体———可行路径;c)狼位置变动———路径顺序变动;d)狼适应度———路径长度。

在搜索模式时，狼群定义了三个参数:个体改变的基因个数CDC;放置变异状态的记忆池SMP;个体上每个基因的改变范围SDR。具体的搜索模式是:a)狼群中当前状态的狼个体置于SMP并复制;b)将变异发生后的记忆池中复制的副本改变，并更新到新的位置;c)计算副本的适应度值，狼最终的更新状态就是其中的一个最优状态。

设狼个体i的当前位置为k，则位置的变异公式为式(1)。首先对于狼群个体si(t)=(si1(t),si2(t)，…，sin(t))，在记忆池中复制其位置;然后在狼群搜索模式下选择SMP-1个位置进行变异操作，其中每个个体选择CDC个基因位置，变异公式如式(1)所示。最后对应的可行路径编码即为SMP个位置转换而成，并计算适应度，更新个体。在该搜索方式下，所有狼个体会逐渐收敛于全局最优解。

在跟踪模式下，狼个体的每次迭代都将处于全局最优状态，如此不断逼近全局最优解。在此进程中，每只狼的速度标记为vi={vi1,vi2，…，vil}，狼个体分别利用式(2)(3)来更新自己的速度与位置。

其中:，表示第K只狼第d位的速度，且d=1,2，…，l,c为常数;为狼群全局最优解;参考文献[10],c=2;rand为[0,1]的随机数。

其中:表示当前位置;更新后的位置是sk(d)(t+1)。
记录当前迭代的最优解并且计算狼个体的适应度，继续进行规定的迭代次数。

⛄二、部分源代码

⛄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]黄海松,任竹鹏,魏建安.改进狼群算法求解旅行商问题[J].计算机应用研究. 2019,36(12)

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
1.1 PID优化
1.2 VMD优化
1.3 配电网重构
1.4 三维装箱
1.5 微电网优化
1.6 优化布局
1.7 优化参数
1.8 优化成本
1.9 优化充电
1.10 优化调度
1.11 优化电价
1.12 优化发车
1.13 优化分配
1.14 优化覆盖
1.15 优化控制
1.16 优化库存
1.17 优化路由
1.18 优化设计
1.19 优化位置
1.20 优化吸波
1.21 优化选址
1.22 优化运行
1.23 优化指派
1.24 优化组合
1.25 车间调度
1.26 生产调度
1.27 经济调度
1.28 装配线调度
1.29 水库调度
1.30 货位优化
1.31 公交排班优化
1.32 集装箱船配载优化
1.33 水泵组合优化
1.34 医疗资源分配优化
1.35 可视域基站和无人机选址优化

2 机器学习和深度学习分类与预测
2.1 机器学习和深度学习分类
2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类

2.2 机器学习和深度学习预测
2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测

2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测

3 图像处理方面
3.1 图像边缘检测
3.2 图像处理
3.3 图像分割
3.4 图像分类
3.5 图像跟踪
3.6 图像加密解密
3.7 图像检索
3.8 图像配准
3.9 图像拼接
3.10 图像评价
3.11 图像去噪
3.12 图像融合
3.13 图像识别
3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别

3.14 图像修复
3.15 图像压缩
3.16 图像隐写
3.17 图像增强
3.18 图像重建

4 路径规划方面
4.1 旅行商问题（TSP）
4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）
4.2 车辆路径问题（VRP）
4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.3 带多种容量的车辆路径问题（MCVRP）
4.2.4 带距离的多车辆路径问题（MDVRP）
4.2.5 同时取送货的车辆路径问题（SDVRP）
4.2.6 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.6 带时间窗的车辆路径问题（TWVRP）
4.3 多式联运运输问题

4.4 机器人路径规划
4.4.1 避障路径规划
4.4.2 迷宫路径规划
4.4.3 栅格地图路径规划

4.5 配送路径规划
4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划

4.6 无人机路径规划
4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配

5 语音处理
5.1 语音情感识别
5.2 声源定位
5.3 特征提取
5.4 语音编码
5.5 语音处理
5.6 语音分离
5.7 语音分析
5.8 语音合成
5.9 语音加密
5.10 语音去噪
5.11 语音识别
5.12 语音压缩
5.13 语音隐藏

6 元胞自动机方面
6.1 元胞自动机病毒仿真
6.2 元胞自动机城市规划
6.3 元胞自动机交通流
6.4 元胞自动机气体
6.5 元胞自动机人员疏散
6.6 元胞自动机森林火灾
6.7 元胞自动机生命游戏

7 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断

7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真

7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真

7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰

7.5 无人机通信

7.6 无线传感器定位及布局方面
7.6.1 WSN定位
7.6.2 高度预估
7.6.3 滤波跟踪
7.6.4 目标定位
7.6.4.1 Dv-Hop定位
7.6.4.2 RSSI定位
7.6.4.3 智能算法优化定位
7.6.5 组合导航

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