蚁群算法matlab源码

function [Shortest_Route,Shortest_Length]=ACATSP(D,NC_max,m,Alpha,Beta,Rho,Q)

%%=========================================================================

%% ACATSP.m

%% Ant Colony Algorithm for Traveling Salesman Problem

%% ChengAihua,PLA Information Engineering University,ZhengZhou,China

%% Email:aihuacheng@gmail.com

%% All rights reserved

%%-------------------------------------------------------------------------

%% 主要符号说明

%% C n个城市的坐标，n×2的矩阵

%% NC_max 最大迭代次数

%% m 蚂蚁个数

%% Alpha 表征信息素重要程度的参数

%% Beta 表征启发式因子重要程度的参数

%% Rho 信息素蒸发系数

%% Q 信息素增加强度系数

%% R_best 各代最佳路线

%% L_best 各代最佳路线的长度

%% L_ave  各代路线的平均长度

%%=========================================================================

%%第一步：变量初始化

n=size(D,1);

for i=1:n

    D(i,i)=eps;

end

Eta=1./D;%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=inf.*ones(NC_max,1);%各代最佳路线的长度

L_ave=zeros(NC_max,1);%各代路线的平均长度

while NC<=NC_max%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=[];

    for i=1:(ceil(m/n))

        Randpos=[Randpos,randperm(n)];

    end

    Tabu(:,1)=(Randpos(1,1:m))';

    

%%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

    for j=2:n

        for i=1:m

            visited=Tabu(i,1:(j-1));%已访问的城市

            J=zeros(1,(n-j+1));%待访问的城市

            P=J;%待访问城市的选择概率分布

            Jc=1;

            for k=1:n

                if length(find(visited==k))==0

                    J(Jc)=k;

                    Jc=Jc+1;

                end

            end

            %下面计算待选城市的概率分布

            for k=1:length(J)

                P(k)=(Tau(visited(end),J(k))^Alpha)*(Eta(visited(end),J(k))^Beta);%（信息素^信息素系数）*（启发因子^启发因子系数）

            end

            P=P/(sum(P));

            %按概率原则选取下一个城市

            Pcum=cumsum(P);

            Select=find(Pcum>=rand);

            to_visit=J(Select(1));

            Tabu(i,j)=to_visit;

        end

    end

    if NC>=2

        Tabu(1,:)=R_best(NC-1,:);

    end

%%第四步：记录本次迭代最佳路线

    L=zeros(m,1);

    for i=1:m

        R=Tabu(i,:);

        for j=1:(n-1)

            L(i)=L(i)+D(R(j),R(j+1));

        end

        L(i)=L(i)+D(R(1),R(n));

    end

    L_best(NC)=min(L);

    pos=find(L==L_best(NC));

    R_best(NC,:)=Tabu(pos(1),:);

    L_ave(NC)=mean(L);

    NC=NC+1

%%第五步：更新信息素

    Delta_Tau=zeros(n,n);

    for i=1:m

        for j=1:(n-1)

            Delta_Tau(Tabu(i,j),Tabu(i,j+1))=Delta_Tau(Tabu(i,j),Tabu(i,j+1))+Q/L(i);

        end

        Delta_Tau(Tabu(i,n),Tabu(i,1))=Delta_Tau(Tabu(i,n),Tabu(i,1))+Q/L(i);

    end

    Tau=(1-Rho).*Tau+Delta_Tau;

%%第六步：禁忌表清零

    Tabu=zeros(m,n);

end

%%第七步：输出结果

Pos=find(L_best==min(L_best));

Shortest_Route=R_best(Pos(1),:)

Shortest_Length=L_best(Pos(1))