k-means算法的matlab代码实现_蚁群算法的Matlab实现

一、蚁群算法的由来

     蚁群算法最早是由Marco Dorigo等人在1991年提出，他们在研究新型算法的过程中，发现蚁群在寻找食物时，通过分泌一种称为信息素的生物激素交流觅食信息从而能快速的找到目标，据此提出了基于信息正反馈原理的蚁群算法。

       蚁群算法的基本思想来源于自然界蚂蚁觅食的最短路径原理，根据昆虫科学家的观察，发现自然界的蚂蚁虽然视觉不发达，但它们可以在没有任何提示的情况下找到从食物源到巢穴的最短路径，并在周围环境发生变化后，自适应地搜索新的最佳路径。

      蚂蚁在寻找食物源的时候，能在其走过的路径上释放一种叫信息素的激素，使一定范围内的其他蚂蚁能够察觉到。当一些路径上通过的蚂蚁越来越多时，信息素也就越来越多，蚂蚁们选择这条路径的概率也就越高，结果导致这条路径上的信息素又增多，蚂蚁走这条路的概率又增加，生生不息。这种选择过程被称为蚂蚁的自催化行为。对于单个蚂蚁来说，它并没有要寻找最短路径，只是根据概率选择；对于整个蚁群系统来说，它们却达到了寻找到最优路径的客观上的效果，这就是群体智能。

二、蚁群算法的特点

     蚁群算法是通过生物特征的模拟得到一种计算算法，其本身具有很多特点：

1. 蚁群算法是一种本质上并行的算法；

2. 蚁群算法是一种自组织的算法；

3. 蚁群算法具有较强的鲁棒性；

4. 蚁群算法是一种正反馈的算法。

三、蚁群算法可以做什么

       蚁群算法根据模拟蚂蚁寻找食物的最短路径行为来设计的仿生算法，因此一般而言，蚁群算法用来解决最短路径问题，并真的在旅行商问题(TSP，一个寻找最短路径的问题)上取得了比较好的成效。目前，也已渐渐应用到其他领域中去，在图着色问题、车辆调度问题、集成电路设计、通讯网络、数据聚类分析等方面都有所应用。

四、蚁群算法的Matlab实现

      蚁群算法不仅利用了正反馈原理，在一定程度上可以加快进化进程，而且是一种本质并行算法，个体之间不断进行信息交流和传递，有利于发现较好解。

以下为蚁群算法的matlab源程序：

clear all

clc

%%初始化%%%%%%%%%%%%%%%%%%%%%%%%

Ant=300;                       %蚂蚁数量

Times=80;                      %蚂蚁移动次数

Rou=0.9;                       %信息素挥发系统

P0=0.2;                        %转移概率常数

Lower_1=-1;                    %设置搜索范围

Upper_1=1;

Lower_2=-1;                   

Upper_2=1;

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

for i=1:Ant;

    X(i,1)=(Lower_1+(Upper_1-Lower_1)*rand);  %随机设置蚂蚁的初值位置

    X(i,2)=(Lower_2+(Upper_2-Lower_2)*rand);

    Tau(i)=F(X(i,1),X(i,2));

end

step=0.05;

f='-(x.^4+3*y.^4-0.2*cos(3*pi*x)-0.4*cos(4*pi*y)+0.6)';

[x,y]=meshgrid(Lower_1:step:Upper_1,Lower_2:step:Upper_2);

z=eval(f);

figure(1);

subplot(1,2,1);

mesh(x,y,z);

hold on;

text(0.1,0.8,-0.1,'蚂蚁的初始分布位置');

xlabel('x');ylabel('y');zlabel('f(x,y)');

for T=1:Times

    lamda=1/T;

    [Tau_Best(T),BestIndex]=max(Tau);

    for i=1:Ant

        P(T,i)=(Tau(BestIndex)-Tau(i))/Tau(BestIndex); %计算状态转移概率

    end

    for i=1:Ant

        if P(T,i)

            temp1=X(i,1)+(2*rand-1)*lamda;

            temp2=X(i,2)+(2*rand-1)*lamda;

        else                                           %全局搜索

            temp1=X(i,1)+(Upper_1-Lower_1)*(rand-0.5);

            temp2=X(i,2)+(Upper_2-Lower_2)*(rand-0.5);

        end

        %越界处理

        if temp1

            temp1=Lower_1;

        end

        if temp1>Upper_1

            temp1=Upper_1;

        end

        if temp2

            temp2=Lower_2;

        end

        if temp2>Upper_2

            temp2=Upper_2;

        end

        %%%

        if F(temp1,temp2)>F(X(i,1),X(i,2))             %判断蚂蚁是否移动

            X(i,1)=temp1;

            X(i,2)=temp2;

        end

    end

    for i=1:Ant

        Tau(i)=(1-Rou)*Tau(i)+F(X(i,1),X(i,2));         %更新信息量

    end

end

 subplot(1,2,2);

 mesh(x,y,z);

 hold on;

 x=X(:,1);

 y=X(:,2);

 plot3(x,y,eval(f),'k*');

 hold on;

 text(0.1,0.8,-0.1,'蚂蚁的最终分布位置');

 xlabel('x');ylabel('y');zlabel('f(x,y)');

 [max_value,max_index]=max(Tau);

 maxX=X(max_index,1);

 maxY=X(max_index,2);

 maxValue=F(X(max_index,1),X(max_index,2));

设定目标函数如下：

function [F]=F(x1,x2)

F=-(x1.^4+3*x2.^4-0.2*cos(3*pi*x1)-0.4*cos(4*pi*x2)+0.6);