用蚁群算法求解有线路约束的TSP问题.pdfVIP

2011年第08期 科技 目向导 ◇高教论述◇ 用蚁群算法求解有线路约束的TSP问题 吴国杰 卢 茜 山东大学威海分校数学与统计学院 山东 威海 264209 摘【 要】本文利用01矩阵，设计了新型的蚁群算法，用于解决有线路约束的经典旅行商问题，并求出了在有线路约束下，走遍不同城市的 行程最短的最佳路线和最佳路线的长度。 关【键词l蚁群算法：01矩阵；madab；最佳路线；最佳路线长度 本文将结合一个具体的事例．给出相关的解决方案的蚁群算法的 end matlab代码 。 DO，i D i ； 1．问题的提出 end 给定 76个城市的坐标，城市之间相互通路信息如图1所示，请设 end 计线路，能走遍所有城市，行程最短，并用画图的方式展示所求结果。 loada．txt Eta 1．D／+a i,j ；％Eta为启发因子．这里设为距离的倒数 Tau ones n．n ；％Tau为信息素矩阵 Tabu zeros m，n ；％存储并记录路径的生成 NC 1：％迭代计数器 R _ best zeros NC_max，n ；％各代最佳路线 L best：i 0nes NCmax，1 ；％各代最佳路线的长度 _ whi]eNC ：NCmax％停止条件之一 ：达到最大迭代次数 ％％第二步：将m只蚂蚁放到n个城市上 Randpos H； 图1相互联系信息 ofri l： ceil mn／ 2．问题分析与求解 Randpos [Randpos，randperm n ]； 这是一个最短路优化问题．如果没有线路的约束，我们可以运用 end 原始的蚁群算法，求得最佳路线。但是现在城市之间有了线路约束 ，所 Tabu ：，1 Randpos 1，1：m ； 以需要改进原来的算法 ％％第三步：m只蚂蚁按概率函数选择下一座城市，完成各 自的周游 原始蚁群算法分析： forj 2：n 原始的蚁群算法中有一个启发因子Eta．算法中Eta 1．D／．其中D fri l：m 是城市之间的距离矩阵，D i 为D的元素。可以看出，启发因子是跟 visited Tabu i，1：0—1 ；％已访问的城市 距离有关的唯一量，D i 越小，Eta i,j 越大 ，i两个城市之间的线路 J zeros 1， n-j+1 ；％待访问的城市P J；％待访问城市的选择概率 进入最佳路线的可能性就越大。另外，若 i≠j，显然有D i，j ≥1，从而 分布 有Eta i，j ≤1。 Jc l； 解决方案 ： fork l：n 首先建立 01矩阵a，i、j之间存在通路，a i，j l，i、j之间不存在 iflen ∞nd visited k ：- 1 通路，a i，j 0。令Eta 1．／D+a i,j ，显然有当 i、j之间存在通路，1,m之 J Jc k； 间不存在通路时有：Eta i，j Eta 1，m ，这样就使得新的算法可以求解 Jc Jc+l； ， 有路线约束的TSP问题 end 3．符号说 明 end Rbest：各代最佳路线 ％下面计算待选城市的概率分布 b t L_ es：各代最佳路线的长度 ofrk l：length J DrawRoute C，R1：画路线图的子函数 P k T au visited end ，J k yAlpha E tav【isited end ，J k Bet8 ； a：表示 76*76的01矩阵，若第 i个城市与第 i个城市之间有通 end 路则a i 为 1，否则a i，j 为 0。 P P／ sum P ； a．txt：存放数据 a的文件 ％按概率原则选取下一个城市 e：表示 76*2的矩阵，用于存取 76个城市的坐标。 Peum eumsum P ； c．1xt 存放 c的文件 Select find Pcum rand ； 4．新型蚁群算法matlab代码 to _ visit J Select 1 ； ％％第一步 ：变量初始化． Tabu i,j to_visit； m 76：％％蚂蚁个数 end Alpha 1：％％表征信息素重要程度的参数 end Beta 5：表征启发式因子重要程度的参数 ifNC 2 Rho 0．1：％％信息素蒸发系数 Tabu 1，： ：R_best NC一1，： ； NCm“ 500；％％最大迭代次数 end O 100；％％信息素增加强度系数 ％％第四步：记录本次迭代最佳路线 loadC．txt L zeros m，1 ； C：c： fori l：m n：sizefc，11：％n表示问题的规模 城市个数 R Tabu i，： ； D zerosfn．n ；％D表示完全图的赋权邻接矩阵 ofrj 1： n-1 for 1：n L i