目录

1.算法描述

2.仿真效果预览

3.MATLAB核心程序

4.完整MATLAB

1.算法描述

     “基本原理 蚁群算法(Ant Colony Optimization,ACO)是一种基于种群寻优的启发式搜索算法,有意大利学者M.Dorigo等人于1991年首先提出。该算 法受到自然界真实蚁群集体在觅食过程中行为的启发,利用真实蚁群通过个体间的信息传递、搜索从蚁穴到食物间的最短路径等集体寻优特 征,来解决一些离散系统优化中的困难问题。

       算法基本思想：

（1）根据具体问题设置多只蚂蚁，分头并行搜索。

（2）每只蚂蚁完成一次周游后，在行进的路上释放信息素，信息素量与解的质量成正比。

（3）蚂蚁路径的选择根据信息素强度大小（初始信息素量设为相等），同时考虑两点之间的距离，采用随机的局部搜索策略。这使得距离较短的边，其上的信息素量较大，后来的蚂蚁选择该边的概率也较大。

（4）每只蚂蚁只能走合法路线（经过每个城市1次且仅1次），为此设置禁忌表来控制。

（5）所有蚂蚁都搜索完一次就是迭代一次，每迭代一次就对所有的边做一次信息素更新，原来的蚂蚁死掉，新的蚂蚁进行新一轮搜索。

（6）更新信息素包括原有信息素的蒸发和经过的路径上信息素的增加。

（7）达到预定的迭代步数，或出现停滞现象（所有蚂蚁都选择同样的路径，解不再变化），则算法结束，以当前最优解作为问题的最优解。

      将各个蚂蚁随机地置于不同的出发地，对每个蚂蚁k ( k = 1 , 2 , ⋯  , m ) ，按照轮盘赌法得到下面的转移概率公式计算其下一个待访问的城市，直到所有蚂蚁访问完所有的城市。

2.仿真效果预览

matlab2022a仿真结果如下：

3.MATLAB核心程序

tic
CityNum=30;
[dislist,Clist]=tsp(CityNum);Tlist=zeros(CityNum);%禁忌表(tabu list)
cl=100;%保留前cl个最好候选解
bsf=Inf;
tl=50; %禁忌长度(tabu length)
l1=200;%候选解(candidate),不大于n*(n-1)/2(全部领域解个数)
S0=randperm(CityNum);
S=S0;
BSF=S0;
Si=zeros(l1,CityNum);
StopL=200; %终止步数
p=1;
clf;
figure(1);while (pCityNum*(CityNum)/2disp('候选解个数,不大于n*(n-1)/2(全部领域解个数)！ 系统自动退出！');l1=(CityNum*(CityNum)/2)^.5;break;endArrS(p)=CalDist(dislist,S);        i=1;A=zeros(l1,2);while i<=l1        M=CityNum*rand(1,2);M=ceil(M);if M(1)~=M(2)m1=max(M(1),M(2));m2=min(M(1),M(2));A(i,1)=m1;A(i,2)=m2;if i==1isdel=0;elsefor j=1:i-1if A(i,1)==A(j,1)&&A(i,2)==A(j,2)isdel=1;break;elseisdel=0;endendendif ~isdeli=i+1;elsei=i;endelse i=i;endendfor i=1:l1Si(i,:)=S;Si(i,[A(i,1),A(i,2)])=S([A(i,2),A(i,1)]);CCL(i,1)=i;CCL(i,2)=CalDist(dislist,Si(i,:));CCL(i,3)=S(A(i,1));CCL(i,4)=S(A(i,2));   end[fs fin]=sort(CCL(:,2));for i=1:clCL(i,:)=CCL(fin(i),:);endif CL(1,2)