第二章_蚁群算法演示幻灯片.ppt

2.3 基本蚁群优化算法 智能优化计算 解决TSP问题 当所有蚂蚁完成一次周游后，各路径上的信息素将进行更新： 其中，ρ（0 ρ 1）表示路径上信息素的蒸发系数，Q为正常数，Lk表示第k只蚂蚁在本次周游中所走过路径的长度。 2.3.1 蚂蚁系统的模型与实现 2.3 基本蚁群优化算法 智能优化计算 算法流程 2.3.1 蚂蚁系统的模型与实现 2.3 基本蚁群优化算法 智能优化计算 初始参数 城市数30; 蚂蚁数30； α=1; β=5; ρ=0.1; 最大迭代代数200; Q=1; 2.3.1 蚂蚁系统的模型与实现 2.3 基本蚁群优化算法 智能优化计算 %% 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 程序分析 2.3 基本蚁群优化算法 智能优化计算 %% 初始化参数 m = 30; % 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 2.3 基本蚁群优化算法 智能优化计算 %% 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); start(i) = temp(1); end Table(:,1) = start; % 构建解空间 citys_index = 1:n; % 在iter循环中还有以下三个重要步骤： % 1、逐个蚂蚁路径选择 % 2、计算各个蚂蚁路径距离及最短距离 % 3、更新信息素 end 2.3 基本蚁群优化算法 智能优化计算 % 逐个蚂蚁路径选择 for i = 1:m % 逐个城市路径选择 for j = 2:n tabu = Table(i,1:(j - 1)); % 已访问的城市集合(禁忌表) allow_index = ~ismember(citys_index,tabu); allow = citys_index(allow_index); % 待访问的城市集合 P = al