【AFSA TSP】改进的人工鱼群算法求解旅行商问题【含Matlab源码 1479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，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

⛄二、人工鱼群算法简介

1 AFSA的基本思想
人工鱼群算法(artificial fish-swarm algorithm,AFSA)是由李晓磊博士在2002年提出的一种群体智能优化算法。其基本思想是仿照鱼群在一片水域当中寻找最优解的觅食、聚群和追尾等行为，水域中的每一条鱼都对应其中的一个优化解，该水域即为被优化问题的解空间。通过分析人工鱼群的优化理念，可得其人工鱼环境模型如图4所示。假设水域中一条鱼现时状态是X，其可见范围为Visual(公式中用Zvisual表示)，在某一时间点对应的视点位置为X k，如果该方位较此时状态更优，则可往该地点处向前一步，即抵达X next；若该方位无此时状态更优，则一直在可见视线内找寻其他较优地点。

2 AFSA路径规划中的具体步骤
1)初始化设置。对鱼群中的各个参数进行初始设置，包括：该人工鱼群的群体规模、视野、最大迭代次数、每一条鱼的最大移动步长Step(公式中用Lstep)等参数。
2)此时迭代的次数是0，由N条鱼组成初始鱼群，每个鱼表示从初始位置到目标位置的一条路径。
3)对每一条人工鱼都进行行为模拟：觅食、追尾、聚群与随机移动行为，选取其中最优的一种行为来操作。
2.1 觅食行为

伪代码段如下：

for i = 1:N
	for j = 1:Try_number
        Xj=x(i)+Visual.*rand();%人工鱼Xi按式（1）在其视野内随机选择一个状态Xj
        if f(Xj)<f(x(i))	   %比较Xj和Xi的适应度
            X_next= x(i)+rand()*step*(Xj-x(i))/norm(Xj-x(i)); %人工鱼Xi按式（2）朝着Xj方向移动一步，norm()函数表示二范数 
            break;
        else
        	X_next=x(i)+step*rand();
        end
    end
end

2.2 聚群行为
鱼在游动过程中为了保证自身的生存和躲避危害会自然地聚集成群 。人工鱼X i X_iXi​搜索其视野内（d i j < v i s u a l d_{ij}<visualdij​<visual）的伙伴数目n f n_fnf​及中心位置X c X_cXc​，若Y c / n f < δ Y i Y_c/n_f< δY_iYc​/nf​<δYi​(求极小值时使用小于号，在求极大值时则相反；Y c Y_cYc​和Y i Y_iYi​分别为X c X_cXc​和X i X_iXi​的适应度值)，表明伙伴中心位置状态较优且不太拥挤，则X i X_iXi​朝伙伴的中心位置移动一步，否则执行觅食行为；
框架图如下所示：

伪代码段如下：

nf=0;X_inside=0;
for i = 1:N
    for j = 1:N   
        if norm(x(j)-x(i))<Visual 		% 求人工鱼Xi与其他人工鱼之间的距离
            nf = nf+1;                  %统计在视野范围内的鱼数量   
            X_inside= X_inside+x(j);    %将视野范围内的鱼进行累加
        end
         X_inside=X_inside-x(i);  		%需要去除Xi本身；因为在 一开始计算时，i=j，把中心的鱼也进行了一次计算
         nf=nf-1;   
         Xc = X_inside/nf; 				%此时Xc表示Xi感知范围其他伙伴的中心位置； 
         if  f(Xc)/nf < δ*f(x(i))
            x_next=x(i)+rand*Step*(Xc-x(i))/norm(Xc-x(i)); 
         else
             进行觅食行动
         end
    end
end

2.3 追尾行为
指鱼向其视野区域内的最优方向移动的一种行为。人工鱼X i X_iXi​搜索其视野内（d i j < v i s u a l d_{ij}<visualdij​<visual）适应度最高的个体X j X_jXj​，其适应度值为Y j Y_jYj​，并探索人工鱼X j X_jXj​视野内的伙伴数目n f n_fnf​，若Y j / n f < δ Y i Y_j/n_f< δY_iYj​/nf​<δYi​，表明X j X_jXj​状态较优且不太拥挤，则X i X_iXi​朝X j X_jXj​位置移动一步，否则执行觅食行为；
 　框架图如下所示：

伪代码段如下：

Y_max=inf;nf=0;
for i = 1:N    
    %搜索人工鱼Xi视野范围内的最高适应度个体Xj
    for j = 1:N     
        if norm(x(j)-x(i))<Visual && f(x(j))<Y_max		% 求人工鱼Xi与其他人工鱼之间的距离
            X_max=x(j);        
            Y_max=f(x(j));
        end
    end
    %搜索人工鱼Xj视野范围内的伙伴数量
    for j = 1:N        
        if(norm(x(j)-X_max)<Visual)       
            nf=nf+1;
        end
    end
    nf=nf-1;%去掉他本身
    if Y_max/nf<delta*f(x(i))
        x_next= x(i,:)+rand*Step.*(temp_maxX-x(i,:))./norm(temp_maxX-x(i,:));
    else
        进行觅食行为;
    end
end

2.4 算法总述
综上所述，算法在运算过程中，会同时进行聚群和追尾行为。而觅食行为属于这两种行为中发现聚群对象或者追尾对象附近拥挤度过大时，人工鱼选择的行为方式，若在觅食过程中，未发现比自身适应度高的人工鱼，则按步长step随机移动。最后对聚群行为和追尾行为得到的适应度值进行比较，选择优秀的人工鱼作为下一代的个体。其总框架图如下：

3 分析拥挤度因子δ
3.1 拥挤度因子的取值
在求极小值问题中：δ = α n m a x , α ∈ ( 0 , 1 ] δ=αn_{max}, α∈(0,1]δ=αnmax​,α∈(0,1]
在求极大值问题中：δ = 1 α n m a x , α ∈ ( 0 , 1 ] δ=\frac{1}{αn_{max}},α∈(0,1]δ=αnmax​1​,α∈(0,1]
其中α αα为极值接近水平，n m a x n_{max}nmax​为期望在该邻域内聚集的最大人工鱼数目。

3.2 拥挤度因子的作用机理
对追尾行为的描述

图中af0为人工鱼af1-5在各自视野内的最优人工鱼，其实物浓度为Y j Y_jYj​,C1为以af0为圆心，以视野范围为半径的圆，即能探知af0的最远距离，人工鱼越靠近af0，状态越优。
求极大值情况下：当δ n f ≤ 1 δn_f\leq 1δnf​≤1时，所有人工鱼af1-5都执行追尾行为，向af0游动；
δ = 1 α n m a x δ=\frac{1}{αn_{max}}δ=αnmax​1​
δ n f = n f α n m a x ≤ 1 δn_f =\frac{n_f}{αn_{max}}\leq 1δnf​=αnmax​nf​​≤1
当α αα=1的时候，可以明显看出来n f ≤ n m a x n_f \leq n_{max}nf​≤nmax​，即说明人工鱼视野范围内不拥挤。
当δ n f ＞ 1 δn_f ＞1δnf​＞1时，若C2的食物浓度为Y j δ n f \frac{Y_j}{δn_f }δnf​Yj​​的等浓度食物圈，则C2与C1间的人工鱼af1、af2、af3执行追尾行动，向af0游动，人工鱼af4、af5执行觅食行为。此时δnf 越大执行追尾行动的人工鱼越少，反之越多。

3.2 拥挤度因子的影响
以极大值为例(极小值的情况正好和极大值相反)， δ δδ越大，表明允许的拥挤程度越小，人工鱼摆脱局部最优的能力越强;但是收敛的速度会有所减缓，这主要因为人工鱼在逼近极值的同时，会因避免过分拥挤而随机走开或者受其它人工鱼的排斥作用，不能精确逼近极值点。可见，δ δδ的引入避免了人工鱼过度拥挤而陷入局部极值，另一方面，该参数会使得位于极值点附近的人工鱼之间存在相互排斥的影响，而难以向极值点精确逼近，所以，对于某些局部极值不是很严重的具体问题，可以忽略拥挤的因素，从而在简化算法的同时也加快了算法的收敛速度和提高结果的精确程度。

⛄三、部分源代码

clear
tic
afNum=50; %人工鱼个数
iterativeTime=100; %迭代次数
try_number=100; %随机试探次数
crowd=0.618; %拥挤度因子
sim_model=48;
cityPosition=AFTSP_cityPosition(sim_model);
cityNum=length(cityPosition); %城市个数
pcross=0.15; %引入交换因子
crossNum=ceil(pcrosscityNum); %交换位数
for i=1:cityNum %任意两城市间距离
Distance(i,i)=inf;
for j=i+1:cityNum
Distance(i,j)=norm(cityPosition(i,:)-cityPosition(j,:));
Distance(j,i)=Distance(i,j);
end
end
for i=1:afNum %初始化
X(i,:)=AFTSP_init(cityNum);
Ytemp(i)=AFTSP_foodconsistence(X(i,:),Distance);
end
[a b]=min(Ytemp);
YBest=a;
XBest=X(b,:);
k=1;
Ybest=zeros(1,iterativeTime);
while(k<=iterativeTime)
visual=ceil((4/5-k/(2iterativeTime))cityNum);
for i=1:afNum
[Xi,flag1]=AFTSP_follow(X,afNum,cityNum,visual,crowd,i,Distance,crossNum); %尝试追尾行为
if(flag10)
[Xi,flag2]=AFTSP_swarm(X,afNum,cityNum,visual,crowd,i,Distance,crossNum); %尝试聚群行为
if(flag20)
Xi=AFTSP_prey(X,cityNum,i,visual,try_number,Distance,crossNum); %再尝试觅食行为
end
end
%下面为考虑公告板的吸引力
Xii=Xi;
diff1=find(Xii~=XBest); %求出Xi和XBest中对应元素不一样的位置
if(length(diff1)>0)
a=randperm(length(diff1));%在随机的floor(length(diff1)/2)个不一样的位置赋XBest的值
for ii=1:floor(length(diff1)/2)
Xii(a(ii))=XBest(a(ii));
end
diff2=find(Xii~=XBest);
iii=1;
temp1=[];
for ii=1:cityNum %找出赋值后没有出现的城市号
if(sum(ii==Xii)0)
temp1(iii)=ii;
iii=iii+1;
end
end
iii=1;
temp2=[];
for ii=1:cityNum %找出赋值后出现两次的城市号
if(sum(iiXii)==2)
temp2(iii)=ii;
iii=iii+1;
end
end
iii=1;
temp3=[];
for ii=1:length(diff2) %出现两次的城市在赋值后不同位置的位置
if(sum(Xii(diff2(ii))==temp2)==1)
temp3(iii)=ii;
iii=iii+1;
end
end
for ii=1:length(temp1) %把没出现的城市的位置赋到出现两次的城市在赋值后不同位置的位置上
Xii(diff2(temp3(ii)))=temp1(ii);
end
end
if(AFTSP_foodconsistence((Xii),Distance)<AFTSP_foodconsistence((Xi),Distance))
Xi=Xii;
end
if(AFTSP_foodconsistence((Xi),Distance)<YBest)
XBest=Xi;
YBest=AFTSP_foodconsistence((Xi),Distance);
end
X(ceil(randcityNum),:)=XBest;
end
disp([‘第’,num2str(k),‘次迭代,得出的最优值：’,num2str(YBest)]);
k=k+1;
end
s=num2str(XBest(1));
for i=2:cityNum
s=strcat(s,‘->’);
s=strcat(s,num2str(XBest(i)));
end
s=strcat(s,‘->’);
s=strcat(s,num2str(XBest(1)));
disp([‘得出的最优路径:’,s,‘,最优值:’,num2str(YBest)]);
toc
% plot(Ybest);
% title(‘最优值随迭代次数变化曲线’);
% xlabel(‘迭代次数’);
% ylabel(‘最优值’);
% figure(2);
% for i=1:cityNum-1
% plot([cityPosition(XBest(i),1),cityPosition(XBest(i+1),1)],[cityPosition(XBest(i),2),cityPosition(XBest(i+1),2)]);
% hold on;
% end
% plot([cityPosition(XBest(cityNum),1),cityPosition(XBest(1),1)],[cityPosition(XBest(cityNum),2),cityPosition(XBest(1),2)]);

⛄四、运行结果

⛄五、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1] 程春英,李海峰,包春花.求解TSP问题的人工鱼群算法[J].电脑知识与技术. 2014,10(19)

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