function [R_best,L_best,L_ave,Shortest_Route,Shortest_Length]=ACATSP(C,NC_max,m,Alp ha,Beta,Rho,Q) %%------------------------------------------------------------------------- %% 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 %%========================================================== =============== %i=j 时不计算，应该为 0，但后面的启发因子要取倒数，用 eps %%第一步：变量初始化 n=size(C,1);%n 表示问题的规模（城市个数） D=zeros(n,n);%D 表示完全图的赋权邻接矩阵 for i=1:n for j=1:n if i~=j D(i,j)=((C(i,1)-C(j,1))^2+(C(i,2)-C(j,2))^2)^0.5; else D(i,j)=eps; （浮点相对精度）表示 end D(j,i)=D(i,j); %对称矩阵 end end Eta=1./D; Tau=ones(n,n); Tabu=zeros(m,n); %存储并记录路径的生成 NC=1; R_best=zeros(NC_max,n); L_best=inf.*ones(NC_max,1); %各代最佳路线的长度 L_ave=zeros(NC_max,1); %迭代计数器，记录迭代次数 %Eta 为启发因子，这里设为距离的倒数 %Tau 为信息素矩阵 %各代最佳路线 %各代路线的平均长度 while NC<=NC_max %%第二步：将 m 只蚂蚁放到 n 个城市上 Randpos=[]; %随即存取 for i=1:(ceil(m/n)) %停止条件之一：达到最大迭代次数，停止 

Randpos=[Randpos,randperm(n)]; end Tabu(:,1)=(Randpos(1,1:m))'; %此句不太理解？ %所在城市不计算 %待访问的城市 %访问的城市个数自加 1 %待访问城市的选择概率分布 %%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)); %记录已访问的城市，避免重复访问 J=zeros(1,(n-j+1)); P=J; Jc=1; for k=1:n if length(find(visited==k))==0 %开始时置 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); end P=P/(sum(P)); %按概率原则选取下一个城市 Pcum=cumsum(P); Select=find(Pcum>=rand); %若计算的概率大于原来的就选择这条路线 to_visit=J(Select(1)); Tabu(i,j)=to_visit; end end if NC>=2 Tabu(1,:)=R_best(NC-1,:); end %cumsum，元素累加即求和 %开始距离为 0，m*1 的列向量 %%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)); %原距离加上第 j 个城市到第 j+1 个城市的距离 %一轮下来后走过的距离 %最佳距离取最小 

R_best(NC,:)=Tabu(pos(1),:); %此轮迭代后的最佳路线 L_ave(NC)=mean(L); NC=NC+1 %迭代继续 %此轮迭代后的平均距离 %%直到最大迭代次数 %开始时信息素为 n*n 的 0 矩阵 %%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); %此次循环在路径（i，j）上的信息素增量 end Delta_Tau(Tabu(i,n),Tabu(i,1))=Delta_Tau(Tabu(i,n),Tabu(i,1))+Q/L(i); %此次循环在整个路径上的信息素增量 end Tau=(1-Rho).*Tau+Delta_Tau; %考虑信息素挥发，更新后的信息素 %%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)); %找到最佳路径（非 0 为真） Shortest_Route=R_best(Pos(1),:) %最大迭代次数后最佳路径 Shortest_Length=L_best(Pos(1)) %最大迭代次数后最短距离 subplot(1,2,1) DrawRoute(C,Shortest_Route) subplot(1,2,2) plot(L_best) hold on plot(L_ave,'r') title('平均距离和最短距离') function DrawRoute(C,R) %%========================================================== =============== %% DrawRoute.m %% 画路线图的子函数 %%------------------------------------------------------------------------- %% C Coordinate 节点坐标，由一个 N×2 的矩阵存储 %% R Route 路线 %%========================================================== =============== %绘制第一个子图形 %画路线图的子函数 %绘制第二个子图形 %保持图形 %标题 N=length(R); scatter(C(:,1),C(:,2)); hold on plot([C(R(1),1),C(R(N),1)],[C(R(1),2),C(R(N),2)],'g') 

hold on for ii=2:N plot([C(R(ii-1),1),C(R(ii),1)],[C(R(ii-1),2),C(R(ii),2)],'g') hold on end title('旅行商问题优化结果 ')