蚁群算法人工智能实验报告.doc

人工智能实验报告 姓名： 学号： 班级： 实验时间： 蚁群算法 实验原理： 蚂蚁在觅食过程中可以找出巢穴到食物源的最短路径，为什么？ （1）信息素(pheromone) （2）正反馈现象：某一路径上走过的蚂蚁越多，则后来者选择该路径的概率就越大。 （3）挥发现象：路径上的信息素浓度会随着时间推进而逐渐衰减。 蚁群算法的缺点： 1）收敛速度慢 2）易于陷入局部最优 改进： 1）采用局部优化，设计了三种优化算子。 2）采用蚁群优化算法。 3）其它优化算法 实验内容： 旅行商问题（TSP,traveling salesman problem）： 一商人去n个城市销货，所有城市走一遍再回到起点，使所走路程最短。 实验步骤： 算法代码： %%蚁群算法的优化计算——旅行商问题(TSP)优化 %% 清空环境变量 clear all clc %% 导入数据 load citys_data.mat %% 计算城市间相互距离 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 m = 50; % 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 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 = 200; % 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 while iter = iter_max % 随机产生各个蚂蚁的起点城市 start = zeros(m,1); for i = 1:m temp = randperm(n); %返回n个[0, n]间的随机元素向量 start(i) = temp(1); end Table(:,1) = start; % 构建解空间 citys_index = 1:n; %访问1~n这n个城市 % 逐个蚂蚁路径选择 for i = 1:m % 逐个城市路径选择 for j = 2:n %各个蚂蚁都需要访问n-1个城市 tabu = Table(i,1:(j - 1)); % 已访问的城市集合(禁忌表) allow_index = ~ismember(citys_index,tabu); %判断citys_index中元素有没有在tabu中出现，出现用1表示，否则用0表示。 allow = citys_index(allow_index); % 待访问的城市集合 P = allow; % 计算城市间转移概率 f