MATLAB实现蚁群算法

直接上代码演示了，运行时记得传参

贪心算法实现，有兴趣可以对比一下：MATLAB实现贪心算法

代码：

%matlab实现ACO
%clc
%clear

%alpha = 1 ;                                %信息素指数
%beta = 5;                                  %启发指数     表示蚂蚁对其他蚂蚁路径的依赖性
%rho = 0.1 ;                                %挥发系数     表示蚂蚁对其他蚂蚁路径的依赖性
%n = 20 ;                                   %经过点数
%k = 20 ;                                   %迭代次数
%m = n - 1 ;                                %蚂蚁只数，这里取比城市数目少一的蚂蚁只数
%Q = 100 ;                                  %默认起始信息素强度为100，收敛速度

function [] = executeACO(alpha,beta,rho,n,k,Q)
%ACO 输入信息素指数，启发指数，挥发指数，经过点数，信息强度
%得到经过算法处理的最优路径图
clc
m = n - 1 ;                                %蚂蚁只数，这里取比城市数目少一的蚂蚁只数
bestr = inf ;                              %默认最优路径为无穷大

x = zeros(1,n) ;                           %产生一个与经过点数相同的行向量
y = zeros(1,n) ;

for i = 1 : (n)                            %生成20个随机数
    x(i) = rand * 20 ;                     
    y(i) = rand * 20 ; 
end

d = zeros(n) ;
for i = 1 : n 
    for j = 1 : n
        d(i,j) = sqrt( ( x(i) - x(j) ) ^ 2 + ( y(i) - y(j) ) ^ 2) ;         %距离矩阵
    end
end

tau = ones(n) ;                          %信息素矩阵

for i = 1 : k     
    visited = zeros(m,n) ;                  %用visited矩阵来储存所有蚂蚁经过的城市
    visited(:,1) = (randperm(n,m))';        %将m只蚂蚁随机放在n座城市 即产生一列1到n的随机数进行第一列数据的更新,将visited第一列替换为该列向量
    for b = 2 : n                           %所有蚂蚁都走到第b个城市
        current = visited(:,(b-1)) ;        %所有蚂蚁现在所在城市
        allow = zeros(m,(n - b + 1)) ;      %生成一个记录剩下点数的矩阵
        for a = 1 : m                       %依次得到每只蚂蚁剩下的城市，并记录在allow矩阵中
            j = 1 ;
            for s = 1 : n
                if length(find(visited(a,:) == s)) == 0
                   allow(a,j) = s ;
                   j = j + 1 ;
                end
            end
        end
     
        l = n-b+1 ;                         %剩下的城市数量
        for a = 1 : m                       %分析第a只蚂蚁将要前往的下一个点
            p = zeros(1,l) ;                %产生一个1*l行向量记录要前往的点概率
            for j = 1 : l                   %根据下式来选择下一个城市，用于计算要经过的点的概率
                p(j) = ( ( tau( current(a,1) , allow(a,j) ) ) ^ alpha ) * ( ( 1 / d( current(a,1) , allow(a,j) ) ) ^ beta ) ;
            end
            p = cumsum(p ./ sum(p)) ;               %得到经过各个点的概率并进行了累加
            pick = rand ;                           %产生一个用于判断的随机数
            for c = 1 : l
                if pick < p(c)
                    visited(a,b) = allow(a,c) ;          %将符合的点记录在visited矩阵中
                    break ;
                end
            end
        end
    end

    L = zeros(1,m) ;   

    for a = 1 : m
        t = d(visited(a,n),visited(a,1)) ;
        for b = 1 : (n - 1)
            t = t + d(visited(a,b),visited(a,(b + 1)));
        end
        L(a) = t ;                            %记录每只蚂蚁经过所有点的距离
    end

    [newbestr,newbestant] = min(L) ;          %寻本次迭代最短路径及其相应蚂蚁
    if newbestr < bestr                       %如果得到的最优路径比之前的最优路径短则保存位当前最优路径
        bestr = newbestr ;
        bestroad = visited(newbestant,:) ;    %按顺序储存最优路径的坐标值
    end
     
    %更新信息素矩阵
    for a = 1 : m                                                                 
   tau(visited(a,n),visited(a,1)) = tau(visited(a,n),visited(a,1)) * (1 - rho) ;  %信息素挥发
   tau(visited(newbestant,n),visited(newbestant,1)) = tau(visited(newbestant,n),visited(newbestant,1)) + Q / L(newbestant) ; %信息素加强   
        for b = 1 : (n - 1)
            tau(visited(a,b),visited(a,(b + 1))) = tau(visited(a,b),visited(a,(b + 1))) * (1 - rho) ;
            tau(visited(newbestant,b),visited(newbestant,(b + 1))) = tau(visited(newbestant,b),visited(newbestant,(b + 1))) + Q / L(newbestant) ;
        end
    end
end

bestx = zeros(1,n) ;                %两个1*n阶矩阵按顺序储存坐标点
besty = zeros(1,n) ;
for i = 1 : n
    bestx(i) = x(bestroad(i)) ;     %将点集坐标保存在两个矩阵中
    besty(i) = y(bestroad(i)) ;
end
plot(bestx,besty,'-+') ;            %用'+'标记出随机点并用实线连接得到最优路径
grid on
text(bestx(n),besty(n),'o','color','r');   %终点为红色圆圈
text(bestx(1),besty(1),'o','color','g');   %起点为绿色圆圈
end

运行结果：