下面是对于代码主要流程的介绍,代码在附件中
5 p( O. Q$ N, z9 Q0 T初始化蚂蚁的起点城市,使用randi函数随机生成m个起点城市,并将其作为路径的第一个城市。 构建解空间,即所有城市的索引。 对每个蚂蚁进行路径选择,通过禁忌表tabu记录已访问的城市,通过待访问的城市集合allow_index确定可以访问的城市。然后根据信息素Tao和启发式因子Heu_F计算城市间的转移概率P,利用轮盘赌法选择下一个要访问的城市,将该城市加入路径中。逐步完成蚂蚁的路径选择。 计算每个蚂蚁的路径距离Length,包括经过的所有城市的距离。 计算当前迭代次数下的最短路径距离min_Length和平均距离Length_ave。如果是第一次迭代,则直接将最优路径和距离赋值为当前的蚂蚁最优解。否则,根据动态规划思想,更新最优路径和距离。 更新信息素,根据蚂蚁的路径计算信息素增量Delta_Tau。逐个蚂蚁计算每个城市之间的信息素增量,其中Q为常数。 更新全局信息素矩阵Tao,将上一次迭代的信息素乘以(1-p)衰减系数,再加上本次迭代计算得到的Delta_Tau。 更新迭代次数iter和路径记录表Paths,继续下一次迭代。 0 k) T: L+ [* H
在代码中通过不断更新信息素矩阵和路径选择,尝试找到具有较短路径距离的最优解。
$ G$ X. P4 a" m! R4 {5 s
& A) Q( p. A1 N+ O: X( h+ }( c$ f以下是实验结果& J- ^) s9 s& ?; j
![]()
/ m! l2 R7 @0 T( N* r1 _0 j- v% |, f8 [. J6 V! S
4 H, ^$ B2 v4 p* P" l2 y5 _
" |' H2 M! a" V7 B! T7 M+ b
2 U! o4 e L$ l' J: x. k
5 @) P! B8 F" Z6 x |