双旅行团matlab蚁群算法,matlab蚁群算法（ACA）详解（二）旅行商问题（TSP）详解...

之前已经使用遗传算法、模拟退火算法是实现了对于TSP问题求解。本次主要使用的是蚁群算法进行求解，算法的基本原理已经在第一篇算法入门中做了详细的讲解。下面主要就是进行代码的实现：

数据使用测试数据如下：

徐州

常州

青岛

北京

祁县

洛阳

黄山

武汉

西安

九江

舟山

徐州

0

471

410

392

399.5

412

449

348

335

517

600

常州

62

0

490

433

458.5

503

423

414

445

600

574

青岛

70

559

0

418

313.5

503

535

627

445

740

810

北京

99

549

465

0

382

431

532

459

430

575

792

祁县

111.5

579.5

365.5

387

0

472

517

390

321

581.5

646.5

洛阳

34

534

465

346

382

0

468

373

308

492

609

黄山

99

482

525

475

455

496

0

440

419

475

527

武汉

39

514

658

443

369

442

481

0

411

500

541

西安

55

574

505

443

329

406

489

440

0

511

654

九江

87

579

650

438

439.5

440

395

379

361

0

554

舟山

140

523

690

625

474.5

527

417

390

474

524

0

clear all

clc

%程序开始运行时开始计时

t0 = clock;

%载入数据

citys = xlsread('C:\Users\Administrator\Desktop\算法\ACA\Ch9_spots_data.xlsx','B2:L12');

%

n = size(citys,1);

D = zeros(n,n);

for i = 1:n

for j = 1:n

if i ~= j

D(i,j) = sqrt(sum((citys(i,:) - citys(j,:)).^2));

else

D(i,j) = 1e-4; %设定的对角矩阵修正值

end

end

end

%初始化参数

m = 31; % 蚂蚁数量

alpha = 1; % 信息素重要程度因子

beta = 5; % 启发函数重要程度因子

vol = 0.2; % 信息素挥发因子

Q = 10; % 常系数

Heu_F = 1./D; % 启发函数

Tau = ones(n,n); % 信息素矩阵

Table = zeros(m,n); % 路径记录表

iter = 1; % 迭代次数初值

iter_max = 100; % 最大迭代次数

Route_best = zeros(iter_max,n); % 各代最佳路径

Length_best = zeros(iter_max,1); % 各代最佳路径的长度

Length_ave = zeros(iter_max,1); % 各代路径的平均长度

Limit_iter = 0; % 程序收敛时迭代次数

%迭代是使用ACA寻找最优解

while iter <= iter_max

%随机分布蚂蚁的初始城市

start = zeros(m,1);

for i = 1:m

temp = randperm(n);

start(i) = temp(1);

end

Table(:,1) = start;

%构造解空间

citys_index = 1:n;

%逐个蚂蚁选择路径

for i = 1:m

% 逐个城市路径选择

for j = 2:n

tabu = Table(i,1:(j - 1)); % 已访问的城市集合(禁忌表)

allow_index = ~ismember(citys_index,tabu); %ismember根据一个变量的元素是否在另一个变量返回0-1矩阵

allow = citys_index(allow_index); % 待访问的城市集合

P = allow;

% 计算城市间转移概率

for k = 1:length(allow)

P(k) = Tau(tabu(end),allow(k))^alpha * Heu_F(tabu(end),allow(k))^beta;

end

P = P/sum(P);

% 轮盘赌法选择下一个访问城市

Pc = cumsum(P);

target_index = find(Pc >= rand);

target = allow(target_index(1));

Table(i,j) = target;

end

end

% 计算各个蚂蚁的路径距离

Length = zeros(m,1);

for i = 1:m

Route = Table(i,:);

for j = 1:(n - 1)

Length(i) = Length(i) + D(Route(j),Route(j + 1));

end

Length(i) = Length(i) + D(Route(n),Route(1));

end

% 计算最短路径距离及平均距离

if iter == 1

[min_Length,min_index] = min(Length);

Length_best(iter) = min_Length;

Length_ave(iter) = mean(Length);

Route_best(iter,:) = Table(min_index,:);

Limit_iter = 1;

else

[min_Length,min_index] = min(Length);

Length_best(iter) = min(Length_best(iter - 1),min_Length);

Length_ave(iter) = mean(Length);

if Length_best(iter) == min_Length

Route_best(iter,:) = Table(min_index,:);

Limit_iter = iter;

else

Route_best(iter,:) = Route_best((iter-1),:);

end

end

% 更新信息素

Delta_Tau = zeros(n,n);

% 逐个蚂蚁计算

for i = 1:m

% 逐个城市计算

for j = 1:(n - 1)

Delta_Tau(Table(i,j),Table(i,j+1)) = Delta_Tau(Table(i,j),Table(i,j+1)) + Q/Length(i);

end

Delta_Tau(Table(i,n),Table(i,1)) = Delta_Tau(Table(i,n),Table(i,1)) + Q/Length(i);

end

Tau = (1-vol) * Tau + Delta_Tau;

iter = iter + 1;%迭代次数加一

Table = zeros(m,n);%清空本次的路径表

end

% 结果显示

[Shortest_Length,index] = min(Length_best);

Shortest_Route = Route_best(index,:);

Time_Cost=etime(clock,t0);

disp(['最短距离:' num2str(Shortest_Length)]);

disp(['最短路径:' num2str([Shortest_Route Shortest_Route(1)])]);

disp(['收敛迭代次数:' num2str(Limit_iter)]);

disp(['程序执行时间:' num2str(Time_Cost) '秒']);

% 绘图

figure(1)

plot([citys(Shortest_Route,1);citys(Shortest_Route(1),1)],... %三点省略符为Matlab续行符

[citys(Shortest_Route,2);citys(Shortest_Route(1),2)],'o-');

grid on

for i = 1:size(citys,1)

text(citys(i,1),citys(i,2),[' ' num2str(i)]);

end

text(citys(Shortest_Route(1),1),citys(Shortest_Route(1),2),' 起点');

text(citys(Shortest_Route(end),1),citys(Shortest_Route(end),2),' 终点');

xlabel('城市位置横坐标')

ylabel('城市位置纵坐标')

title(['ACA最优化路径(最短距离:' num2str(Shortest_Length) ')'])

figure(2)

plot(1:iter_max,Length_best,'b')

legend('最短距离')

xlabel('迭代次数')

ylabel('距离')

title('算法收敛轨迹')

算法结果：

最短距离:6746.8159

最短路径:11   8  10   9   5   3   4   6   1   2   7  11

收敛迭代次数:62

程序执行时间:1.434秒