求助Matlab蚁群算法求一般函数极值的算法

function [ROUTES,PL,Tau]=ACASP(G,Tau,K,M,S,E,Alpha,Beta,Rho,Q)

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

% ACASP.m

% 蚁群算法动态寻路算法

% ChengAihua,PLA Information Engineering University,ZhengZhou,China

% Email:aihuacheng@gmail.com

% All rights reserved

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

% 输入参数列表

% G 地形图为01矩阵，如果为1表示障碍物

% Tau 初始信息素矩阵（认为前面的觅食活动中有残留的信息素）

% K 迭代次数（指蚂蚁出动多少波）

% M 蚂蚁个数（每一波蚂蚁有多少个）

% S 起始点（最短路径的起始点）

% E 终止点（最短路径的目的点）

% 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

%

% 输出参数列表

% ROUTES 每一代的每一只蚂蚁的爬行路线

% PL 每一代的每一只蚂蚁的爬行路线长度

% Tau 输出动态修正过的信息素

%% --------------------变量初始化----------------------------------

%load

D=G2D(G)

N=size(D,1)%N表示问题的规模（象素个数）

MM=size(G,1)

a=1%小方格象素的边长

Ex=a*(mod(E,MM)-0.5)%终止点横坐标

if Ex==-0.5

Ex=MM-0.5

end

Ey=a*(MM+0.5-ceil(E/MM))%终止点纵坐标

Eta=zeros(1,N)%启发式信息，取为至目标点的直线距离的倒数

%下面构造启发式信息矩阵

for i=1:N

if ix==-0.5

ix=MM-0.5

end

iy=a*(MM+0.5-ceil(i/MM))

if i~=E

Eta(1,i)=1/((ix-Ex)^2+(iy-Ey)^2)^0.5

else

Eta(1,i)=100

end

end

ROUTES=cell(K,M)%用细胞结构存储每一代的每一只蚂蚁的爬行路线

PL=zeros(K,M)%用矩阵存储每一代的每一只蚂蚁的爬行路线长度

%% -----------启动K轮蚂蚁觅食活动，每轮派出M只蚂蚁--------------------

for k=1:K

disp(k)

for m=1:M

%% 第一步：状态初始化

W=S%当前节点初始化为起始点

Path=S%爬灶歼行路线初始化

PLkm=0%爬行路线长度初始化

TABUkm=ones(1,N)%禁忌表初始化

TABUkm(S)=0%已经在初始点了敬辩粗，亮镇因此要排除

DD=D%邻接矩阵初始化

%% 第二步：下一步可以前往的节点

DW=DD(W,:)

DW1=find(DW

for j=1:length(DW1)

if TABUkm(DW1(j))==0

DW(j)=inf

end

end

LJD=find(DW

Len_LJD=length(LJD)%可选节点的个数

%% 觅食停止条件：蚂蚁未遇到食物或者陷入死胡同

while W~=E&&Len_LJD>=1

%% 第三步：转轮赌法选择下一步怎么走

PP=zeros(1,Len_LJD)

for i=1:Len_LJD

PP(i)=(Tau(W,LJD(i))^Alpha)*(Eta(LJD(i))^Beta)

end

PP=PP/(sum(PP))%建立概率分布

Pcum=cumsum(PP)

Select=find(Pcum>=rand)

%% 第四步：状态更新和记录

Path=[Path,to_visit]%路径增加

PLkm=PLkm+DD(W,to_visit)%路径长度增加

W=to_visit%蚂蚁移到下一个节点

for kk=1:N

if TABUkm(kk)==0

DD(W,kk)=inf

DD(kk,W)=inf

end

end

TABUkm(W)=0%已访问过的节点从禁忌表中删除

for j=1:length(DW1)

if TABUkm(DW1(j))==0

DW(j)=inf

end

end

LJD=find(DW

Len_LJD=length(LJD)%可选节点的个数

end

%% 第五步：记下每一代每一只蚂蚁的觅食路线和路线长度

ROUTES{k,m}=Path

if Path(end)==E

PL(k,m)=PLkm

else

PL(k,m)=inf

end

end

%% 第六步：更新信息素

Delta_Tau=zeros(N,N)%更新量初始化

for m=1:M

if PL(k,m) ROUT=ROUTES{k,m}

TS=length(ROUT)-1%跳数

PL_km=PL(k,m)

for s=1:TS

x=ROUT(s)

Delta_Tau(y,x)=Delta_Tau(y,x)+Q/PL_km

end

end

end

Tau=(1-Rho).

正在做。我是这样理解的：

if NC >= 2

Tabu(1,:) = R_best(NC-1,:)

%把上一次迭代中最佳路线经历的城市放到本次Tabu的第一行

%相当是加了一个约束森散条件,如果本次迭代的情况不猛春游好,至少不会按照不好的最枝销优解去更新信息素,让下次的情况更差

end

---