基于matlab的禁忌搜索算法和蚁群优化算法优化TSP路径动态输出路径规划过程及输出最小距离。 数据可更换自己的程序已调通可直接运行。先看禁忌搜索的暴力美学。这货核心就三招禁忌表锁死局部最优、特赦规则放行优质解、邻域搜索疯狂试探。下面这段主循环特别带劲while iter max_iter % 生成邻域解随机交换两个城市 new_route current_route; swap_idx randperm(n,2); new_route(swap_idx) new_route(fliplr(swap_idx)); % 动态绘图 if mod(iter,50)0 cla plot_route(current_route, citys, iter); drawnow end % 禁忌判定与更新 if ~is_tabu(swap_idx) || get_distance(new_route)best_distance current_route new_route; tabu_list [tabu_list; swap_idx]; if length(tabu_list) tabu_length tabu_list(1,:) []; end % 更新最优解 current_distance get_distance(current_route); if current_distance best_distance best_route current_route; best_distance current_distance; end end iter iter 1; end动态绘图那里用了drawnow命令每50次迭代刷新一次路径图。禁忌表用了个先入先出的队列这里故意用数组而不是队列对象实测效率反而更高。注意那个特赦规则——即便操作在禁忌表中只要新解比历史最优还好直接放行这个策略让算法避免陷入死局。再来看蚁群算法的信息素操控。初始化时给每条边撒点信息素pheromone ones(n,n)*init_pher; for k 1:ant_num % 蚂蚁随机起始城市 current_city randi(n); tabu current_city; % 状态转移 for i 2:n prob (pheromone(current_city,:).^alpha).*(eta(current_city,:).^beta); prob(tabu) 0; prob prob/sum(prob); next_city roulette(prob); tabu(i) next_city; current_city next_city; end % 更新信息素 delta_pheromone delta_pheromone update_pher/total_dist; end轮盘赌函数roulette是个实用小技巧[~,idx] max(probrand)用随机数射击的方式选择下个城市。信息素更新时要注意矩阵的对称性比如从i到j和j到i的信息素要同步更新否则路径会出方向性错误。基于matlab的禁忌搜索算法和蚁群优化算法优化TSP路径动态输出路径规划过程及输出最小距离。 数据可更换自己的程序已调通可直接运行。跑起来之后的效果相当炫酷——禁忌搜索的路径像在抽搐中逐渐理顺而蚁群算法则是多条路径同时闪烁最终汇聚成一条主线。实测50个城市时禁忌搜索平均在1500代左右收敛蚁群需要200代但每代计算量更大。最后丢个数据替换彩蛋把自己的城市坐标存成N行2列的citys变量列分别是X/Y坐标。比如citys [randi([0 100],30,2); % 随机点 [20,55; 67,81; 93,12]]; % 手动加点跑完别急着关窗口算法结束后会弹出带路径顺序的线图右键可以保存迭代过程的gif动图。两种算法各有适用场景——要快用禁忌搜索要精度上蚁群当然最好还是两个结果对比着看。