蚁群算法人工智能实验报告

1、人工智能实验报告姓名：学号： 班级：实验时间： 蚁群算法实验原理： 蚂蚁在觅食过程中可以找出巢穴到食物源的最短路径，为什么？（1）信息素(pheromone)（2）正反馈现象：某一路径上走过的蚂蚁越多，则后来者选择该路径的概率就越大。 （3）挥发现象：路径上的信息素浓度会随着时间推进而逐渐衰减。蚁群算法的缺点：1）收敛速度慢2）易于陷入局部最优改进：1）采用局部优化，设计了三种优化算子。2）采用蚁群优化算法。3）其它优化算法实验内容：旅行商问题（tsp,traveling salesman problem）：一商人去n个城市销货，所有城市走一遍再回到起点，使所走路程最短。实验步骤：算法代码：%

2、蚁群算法的优化计算旅行商问题(tsp)优化% 清空环境变量clear allclc% 导入数据load citys_data.mat% 计算城市间相互距离n = size(citys,1);d = zeros(n,n);for i = 1:n for j = 1:n if i = j d(i,j) = sqrt(sum(citys(i,:) - citys(j,:).2); else d(i,j) = 1e-4; end end end% 初始化参数m = 50; % 蚂蚁数量alpha = 1; % 信息素重要程度因子beta = 5; % 启发函数重要程度因子rho = 0.1; % 信息

3、素挥发因子q = 1; % 常系数eta = 1./d; % 启发函数tau = ones(n,n); % 信息素矩阵table = zeros(m,n); % 路径记录表iter = 1; % 迭代次数初值iter_max = 200; % 最大迭代次数 route_best = zeros(iter_max,n); % 各代最佳路径 length_best = zeros(iter_max,1); % 各代最佳路径的长度 length_ave = zeros(iter_max,1); % 各代路径的平均长度 % 迭代寻找最佳路径while iter = rand); %选择下一个访问城市，

4、往往转移概率大的城市被选中的概率也更大。 target = allow(target_index(1); table(i,j) = target; %已选定的下一个待访问城市 end end % 计算各个蚂蚁的路径距离 length = zeros(m,1); for i = 1:m route = table(i,:); for j = 1:(n - 1) length(i) = length(i) + d(route(j),route(j + 1); end length(i) = length(i) + d(route(n),route(1); %构成环 end % 计算最短路径距离及平

5、均距离 if iter = 1 min_length,min_index = min(length); length_best(iter) = min_length; length_ave(iter) = mean(length); route_best(iter,:) = table(min_index,:); %table,访问城市列表，也就是路径记录表 else min_length,min_index = min(length); length_best(iter) = min(length_best(iter - 1),min_length); length_ave(iter) =

6、mean(length); if length_best(iter) = min_length route_best(iter,:) = table(min_index,:); else route_best(iter,:) = route_best(iter-1),:); end end % 更新信息素 delta_tau = zeros(n,n); % 逐个蚂蚁计算 for i = 1:m % 逐个城市计算 for j = 1:(n - 1) delta_tau(table(i,j),table(i,j+1) = delta_tau(table(i,j),table(i,j+1) + q/

7、length(i); end delta_tau(table(i,n),table(i,1) = delta_tau(table(i,n),table(i,1) + q/length(i); end tau = (1-rho) * tau + delta_tau; %所有蚂蚁在各连接路径上的信息素浓度，不同迭代层间有关联 % 迭代次数加1，清空路径记录表 iter = iter + 1; table = zeros(m,n);end% 结果显示shortest_length,index = min(length_best);shortest_route = route_best(index,:

8、);disp(最短距离: num2str(shortest_length);disp(最短路径: num2str(shortest_route shortest_route(1);% 绘图figure(1)plot(citys(shortest_route,1);citys(shortest_route(1),1),. citys(shortest_route,2);citys(shortest_route(1),2),o-);grid onfor i = 1:size(citys,1) text(citys(i,1),citys(i,2), num2str(i);endtext(citys(shortest_route(1),1),citys(shortest_route(1),2), 起点);text(citys(shortest_route(end),1),citys(shortest_route(end),2), 终点);xlabel(城市位置横坐标)ylabel(城市位置纵坐标)title(蚁群算法优化路径(最短距离: num2str(shortest_l