蚁群算法实验课

1.基本原理

蚁群算法的基本原理来源于自然界蚂蚁觅食的最短路径原理，蚂蚁在运动过程中，能在其它过的路径上释放一种蚂蚁特有的分泌物–信息素来进行信息传递。而且蚂蚁在运动过程中能够感知这种物质。当一些路径上通过的蚂蚁越来越多时，其留下的信息素也越来越多，以致信息素强度增大，所以后面的蚂蚁选择选该路径的概率也越高。

2.算法流程

• AS算法对TSP的求解主要有两大步骤：
  1.路径建构
  对于TSP问题，设蚂蚁群体中蚂蚁的数量为m，城市的数量为n，城市i与城市j之间的距离为dij，t时刻城市i与城市j连接路径上的信息素浓度为 Tij。初始时刻，蚂蚁被放置在不同的城市里，且各城市键连接路径上的信息素浓度相同。然后蚂蚁将按一定概率选择线路，设蚂蚁k当前所在城市为i，则其选择城市j作为下一个访问对象的概率为
  

• n(i,j)为启发函数，表示蚂蚁从城市i转移到城市j的期望；

• α为信息素重要程度因子
  -β为启发函数因子

2.信息素更新

这里m是蚂蚁个数, ρ是信息素的蒸发率，规定0≤ ρ≤1，在AS中通常设置为 ρ =0.5，Δτ ij 是第k只蚂蚁在它经过的边上释放的信息素量，它等于蚂蚁k本轮构建路径长度的倒数。C k 表示路径长度，它是R k 中所有边的长度和。

• 算法流程

3.蚁群算法实现

3.1 算法设计步骤

• 数据准备
• 计算城市间的相互距离
• 初始化参数
• 迭代寻找最佳路径
• 结果显示

3.2 代码实现

%% 旅行商问题(TSP)优化
%% 清空环境变量
clear all
clc

%% 导入数据
load citys_data1.mat

%% 计算城市间相互距离
fprintf('Computing Distance Matrix... \n');
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;      
        end
    end    
end

%% 初始化参数
fprintf('Initializing Parameters... \n');
m = 50;                              % 蚂蚁数量
alpha = 1;                           % 信息素重要程度因子
beta = 3;                            % 启发函数重要程度因子
rho = 0.1;                           % 信息素挥发因子
Q = 1;                               % 常系数
Eta = 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 = 150;                      % 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  

%% 迭代寻找最佳路径
figure;
while iter <= iter_max