1 简介 蚁群算法模拟了自然界中蚂蚁的觅食行为，蚂蚁在寻找食物过程中会释放信息素，同时能够感知前面蚂蚁在路径上残留的信息素浓度来引导自己运动，因而逐渐形成一种正反馈现
1 简介
蚁群算法模拟了自然界中蚂蚁的觅食行为，蚂蚁在寻找食物过程中会释放信息素，同时能够感知前面蚂蚁在路径上残留的信息素浓度来引导自己运动，因而逐渐形成一种正反馈现象：路径越短，残留信息素浓度越高；越多的蚂蚁经过该路径，该路径上的信息素浓度就越大，之后的蚂蚁选择这条路径的概率就越大，蚂蚁就是通过这种交流方式来找到食物，蚁群算法中的两个关键部分就是路径选择概率和信息素更新，决定了蚁群算法的求解速度和解的质量。
2 部分代码
%% 此函数根据相交的路径计算相应交点的禁忌点% cTabu --- 各点的禁忌表
% C --- 各点的坐标(n x 2)矩阵
% D --- 各点的距离矩阵
% table --- 为m只蚂蚁对n个点进行规划后的路径表
function [ cTabu ] = calCityTab( cTabu, C, D, table )
% m --- 蚂蚁数量
% n --- 城市数量
m=size(table,1);
n=size(table,2);
% cTabu=zeros(n,n);
for i=1:m
for j=1:n-2
X1=C(table(i,j),:);
Y1=C(table(i,j+1),:);
for k=j+2:n-1
X2=C(table(i,k),:);
Y2=C(table(i,k+1),:);
[~,~,isIntersect]= node( X1,Y1,X2,Y2 );
if isIntersect
% 如果规划下的非相邻的两直线相交，则将线段较长的两点相互加入其禁忌表中
if D(table(i,j),table(i,j+1)) > D(table(i,k),table(i,k+1))
% 如果cTabu对应的行中有table(i,j)数值，则返回1，否则返回0
if ~any(cTabu(table(i,j),:) == table(i,j+1))
index_1=find(cTabu(table(i,j),:)==0);
cTabu(table(i,j),index_1(1))=table(i,j+1);
end
if ~any(cTabu(table(i,j+1),:) == table(i,j))
index_2=find(cTabu(table(i,j+1),:)==0);
cTabu(table(i,j+1),index_2(1))=table(i,j);
end
else
if ~any(cTabu(table(i,k),:) == table(i,k+1))
index_1=find(cTabu(table(i,k),:)==0);
cTabu(table(i,k),index_1(1))=table(i,k+1);
end
if ~any(cTabu(table(i,k+1),:) == table(i,k))
index_2=find(cTabu(table(i,k+1),:)==0);
cTabu(table(i,k+1),index_2(1))=table(i,k);
end
end
end
end
end
end
end
3 仿真结果
4 参考文献
[1]郑勇. 基于蚁群算法的移动机器人动态路径规划[D]. 电子科技大学.
博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，相关matlab代码问题可私信交流。
部分理论引用网络文献，若有侵权联系博主删除。