信息與通信控制前沿技術(shù)

h h先進(jìn)技術(shù)控制理論應(yīng)用很廣泛，涉及到各個(gè)領(lǐng)域，但是很多問(wèn)題都是一些非線性的問(wèn)題，因此必須找到一種算法可以求解出這些難題，而算法從哪來(lái)呢？這就需要人類大量的學(xué)習(xí)并且掌握各種方法的能力，因此從上世紀(jì)末期產(chǎn)生了各種類型的系統(tǒng)算法和解決方案，這些技術(shù)優(yōu)化人類的生活，帶給我們啟發(fā)。但是希望能將博弈論的知識(shí)應(yīng)用到螞蟻系統(tǒng)中，并且學(xué)會(huì)算法的優(yōu)化，這是下一步我要學(xué)習(xí)的ABSTRACTspirationxtstepandefforth容首先介紹一下博弈，博弈是由博弈者，決策，收益三部分組成的，我們的目標(biāo)是根據(jù)博弈者的決策來(lái)分析各個(gè)我和對(duì)手的成績(jī)，(，)，先是我的成績(jī)?nèi)缓笫菍?duì)手的成績(jī)(B-,B-)(C,A)(A,C)(B+,B+)，況策略1策略2(-1,3)(1,1)罪h(0,5)(1,1)(2,2)(5,0)物，那么選擇供出對(duì)方，想著自己被獲刑，但是不要忘記了如果因此上述結(jié)論是正確的從上面的囚徒困境中可以看出，兩個(gè)犯人可以協(xié)商，都不供出對(duì)方，那么他們的獲刑時(shí)間是一年，這是最好的策略，但是萬(wàn)一有人違規(guī)，結(jié)果他把對(duì)方供出，那么他將釋放，而苦苦的坐著五年牢，對(duì)于這種情景可以簽署成憤怒的天使，我將會(huì)對(duì)你做出懲罰。樣(0,0)(-1,-1)(-1,-1)(1,1)2想要什么。這個(gè)也是與我們生活中是一樣的，就拿讀研究生或者不讀研究生來(lái)說(shuō)，其實(shí)都還是為的收益其實(shí)也差不多，那就看你想要什么東西了，如果你想要的是學(xué)歷那么讀研，如果你想要經(jīng)(-1，-1)(1,1)(-3,3)A分是(-1,3)，但是作為邪惡的廢物，只想著自己的利益，我就會(huì)對(duì)你懲罰，你想著自己窩將把你的分?jǐn)?shù)從-1B降低-1hp=[0.5:0.01:1];Y1=p-1;Y-4*p;Holdon;plotp,Y1,'r');plotpY;n能與研究算法將結(jié)合的知識(shí)點(diǎn)選擇要剔除這些劣勢(shì)選擇，可能用到的算法再優(yōu)化遺傳算法中常常會(huì)發(fā)生漢明現(xiàn)象，我們可以用這種剔除劣勢(shì)選擇均勻分布，會(huì)投給與自己意愿最相近hhU1(1,1)=50%<U1(2,1)=90%U1(1,2)=10%<U1(2,2)=50%U1(1,3)=15%<U1(2,3)=20%U1(1,4)=20%<U1(2,4)=25%U1(1,5)=25%<U1(2,5)=30%U1(1,6)=30%<U1(2,6)=35%究對(duì)象，如果城市很多很多，螞蟻也很多很多。對(duì)于一個(gè)城市可能有很多螞蟻，螞蟻或許圍城了一圈，那么根可以知道我們有遺傳和變異的現(xiàn)象，要讓一個(gè)種群中的基因成為穩(wěn)定基因，那么這種基因必須是穩(wěn)定基因，變可以假設(shè)有一個(gè)螞蟻群體，有原來(lái)的螞蟻，有些事變異體原來(lái)的螞蟻和變異體之間可以合作也可以背叛，合作就是基因繁殖，數(shù)量增加，背叛就是不愿意繁殖。假設(shè)他原來(lái)螞蟻的選擇合作(2,2)(3,0)0.，3(1,1)假設(shè)變異螞蟻合作的可能性為a,u1=2(1-a)+0=2(1-a)=2-2ah(1-b),如果變異的螞蟻選擇背叛，那么收益是u2=3(1-b)+1b,顯然對(duì)于變異的螞蟻來(lái)說(shuō)合作也不是產(chǎn)生穩(wěn)定螞蟻的穩(wěn)定基因，就要讓原先螞蟻背叛，變異的螞蟻合作，那么就很好的得到我們的效在人工智能中的；領(lǐng)域，怎樣維持一種變量或者模型具有穩(wěn)定的效果，可以應(yīng)用這個(gè)方這樣的。那么兩輪下來(lái)就是他最后拿到的錢的數(shù)目。2從博弈論角度看足球比賽應(yīng)該進(jìn)行哪路進(jìn)攻么你選擇右路進(jìn)攻更容易射進(jìn)，%43.7%%9.3%：數(shù)代表的是進(jìn)攻這射進(jìn)球的概率一下收益是多少0%%0%90%%0%hrrh;h;xl;plotlx1,'b');holdon;x5*l+9;plotl,x2,'r');holdon;h;plotlh;plotl,h1,'r');holdon;plotl,h2,'b');holdon;ylabel進(jìn)的概率');xlabel往右的概率');holdoffaxis4,9]);ssquareh結(jié)論：很容易看出紅線和藍(lán)線的交點(diǎn)是(0.5，6.5),那么根據(jù)圖中我們可以清晰的看到，無(wú)論守門(mén)員往左還是的策略，因此選擇中路進(jìn)攻將是一個(gè)劣勢(shì)決策，那么我們一般不要選擇中進(jìn)攻，那么射進(jìn)但是有個(gè)特殊情況就是，如果你是個(gè)大禮選手，那么相應(yīng)的就是從中路進(jìn)攻的概率就會(huì)增大很多，那么我們將：那么我們的收益就會(huì)發(fā)生一定的變化，顯然當(dāng)我們?cè)诮稽c(diǎn)處做出不同的判斷，很容易看出，當(dāng)守門(mén)員撲球意向h校的獎(jiǎng)學(xué)金的評(píng)判準(zhǔn)則規(guī)劃問(wèn)題現(xiàn)象高校的科研水平提高的準(zhǔn)則很多，學(xué)生的能里有強(qiáng)有弱，但是有可能遇到兩個(gè)人水平差不多但是又要必須分出高低的問(wèn)題，獎(jiǎng)學(xué)金到底應(yīng)該分給誰(shuí)呢，做為一個(gè)復(fù)雜的網(wǎng)絡(luò)模型，怎么有效的提出一種解決方案成越困難，各項(xiàng)指標(biāo)都很模糊不好做出抉擇，包括論文的發(fā)表，專利，數(shù)模建的提高公平性。評(píng)定表格利績(jī)上1是是一篇2是是13是4是5是是6是117是148是是9324是名是231是222二等獎(jiǎng)如下：h上利績(jī)等級(jí)15610一等獎(jiǎng)29.9一等獎(jiǎng)398一等獎(jiǎng)47.8三等獎(jiǎng)568.9二等獎(jiǎng)6548.7一等獎(jiǎng)75910一等獎(jiǎng)86.7三等獎(jiǎng)997.6三等獎(jiǎng)65三等獎(jiǎng)89866二等獎(jiǎng)ldCI上利績(jī)等級(jí)1769一等獎(jiǎng)286658.5二等獎(jiǎng)3653.18三等獎(jiǎng)的登記評(píng)價(jià)指標(biāo)編碼h利績(jī)等級(jí)上1838一等獎(jiǎng)29二等獎(jiǎng)class_1=[1-1-1;1-1-1;1-1-1;1-1-1;1-1-1;1-1-1;1-1-1;1-1-1];class_2=[-11-1;-11-1;-11-1;-11-1;-11-1;-11-1;-11-1;-11-1];class_3=[-1-11;-1-11;-1-11;-1-11;-1-11;-1-11;-1-11;-1-11];sim_1=[1-1-1;-11-1;1-1-1;1-1-1;1-1-1;1-1-1;1-1-1;-11-1];sim_2=[-11-1;-11-1;-1-11;1-1-1;-11-1;-11-1;-11-1;-11-1];sim_3=[-11-1;-1-11;-1-11;-1-11;-1-11;-1-11;-1-11;-1-11];%清空環(huán)境變量%導(dǎo)入數(shù)據(jù)class_1=[1-1-1;1-1-1;1-1-1;1-1-1;1-1-1;1-1-1;1-1-1;1-1-1];class_2=[-11-1;-11-1;-11-1;-11-1;-11-1;-11-1;-11-1;-11-1];class_3=[-1-11;-1-11;-1-11;-1-11;-1-11;-1-11;-1-11;-1-11];loadclassmatsim_1=[1-1-1;-11-1;1-1-1;1-1-1;1-1-1;1-1-1;1-1-1;-11-1];sim_2=[-11-1;-11-1;-1-11;1-1-1;-11-1;-11-1;-11-1;-11-1];sim_3=[-11-1;-1-11;-1-11;-1-11;-1-11;-1-11;-1-11;-1-11];oadsimmat%目標(biāo)向量T=[class_1class_2class_3];%創(chuàng)建網(wǎng)絡(luò)net=newhop(T);h%導(dǎo)入待分類樣本A={[sim_1sim_2sim_3]};%網(wǎng)絡(luò)仿真Y=sim(net,{920},{},A);%結(jié)果顯示Y1=Y{20}(:,1:3);Y2=Y{20}(:,4:6);Y3=Y{20}(:,7:9);%%繪圖result={T;A(1);Y(20)};result={T;A{1};Y{20}};subplotp+k)tempresultp,(k-1)*3+1:k*3);imnplot(j,m-i,'ko','MarkerFaceColor','k');plot(j,m-i,'ko');holdonaxis([06012])offtitleclassnumstrk])titlepresimnumstr(k)])titlesimnumstrk])hlegend的數(shù)字量化，評(píng)判結(jié)果完成旅行商最優(yōu)路徑，已知十個(gè)城市，他們的位置固定，找出最佳的路徑、2．1旅行商問(wèn)題的四種解決方案h真正的神經(jīng)生物系統(tǒng)模型，他們包涵的原理，即在動(dòng)態(tài)的穩(wěn)定網(wǎng)絡(luò)中存儲(chǔ)信息原理的，是極深刻的。們想要的結(jié)果就出來(lái)可以看出當(dāng)能量最低點(diǎn)的時(shí)候是-0.9，以后就達(dá)到了穩(wěn)定狀態(tài)，那么(011)就是我們想要的平衡狀態(tài)。h。是保存的文件名字要與主函數(shù)中所用到的函數(shù)名稱是一樣的，否則functiondu=diff_u(V,d)globalADn=size(V,1);sum_x=repmat(sum(V,2)-1,1,n);sum_i=repmat(sum(V,1)-1,n,1);V_temp=V(:,2:n);V_temp=[V_tempV(:,1)];sum_d=d*V_temp;du=-A*sum_x-A*sum_i-D*sum_d;%%%%%計(jì)算能量函數(shù)functionE=energy(V,d)globalADn=size(V,1);sum_x=sumsqr(sum(V,2)-1);sum_i=sumsqr(sum(V,1)-1);V_temp=V(:,2:n);V_temp=[V_tempV(:,1)];sum_d=d*V_temp;sum_d=sum(sum(V.*sum_d));E=0.5*(A*sum_x+A*sum_i+D*sum_d);hglobalAD%%導(dǎo)入城市位置loadcity_location%%計(jì)算相互城市間距離distance=dist(citys,citys');%%初始化網(wǎng)絡(luò)N=size(citys,1);A200;D0;U0=0.1;delta=2*rand(N,N)-1;U=U0*log(N-1)+delta;V=(1+tansig(U/U0))/2;E=zeros(1,iter_num);%%尋優(yōu)迭代fork=1:iter_num%動(dòng)態(tài)方程計(jì)算iffuVdistance%輸入神經(jīng)元狀態(tài)更新U=U+dU*step;%輸出神經(jīng)元狀態(tài)更新V=(1+tansig(U/U0))/2;%能量函數(shù)計(jì)算gyVdistanceke%%判斷路徑有效性hVzerosrowscols);V(V_ind(j),j)=1;C=sum(V1,1);R=sum(V1,2);flag=isequal(C,ones(1,N))&isequal(R',ones(1,N));%%結(jié)果顯示%計(jì)算初始路徑長(zhǎng)度sortrandrandpermN;citys_rand=citys(sort_rand,:);Length_init=dist(citys_rand(1,:),citys_rand(end,:)');fori=2:size(citys_rand,1)Length_init=Length_init+dist(citys_rand(i-1,:),citys_rand(i,:)');%繪制初始路徑replot([citys_rand(:,1);citys_rand(1,1)],[citys_rand(:,2);citys_rand(1,2)],'o-')fori=1:length(citys)text(citys(i,1),citys(i,2),[''num2str(i)])textcitysrand),citys_rand(1,2),['text(citys_rand(end,1),citys_rand(end,2),['itaxis([0101])xlabel置橫坐標(biāo)')ylabel坐標(biāo)')%計(jì)算最優(yōu)路徑長(zhǎng)度citys_end=citys(V1_ind,:);Length_end=dist(citys_end(1,:),citys_end(end,:)');fori=2:size(citys_end,1)hLengthendLengthenddistcitysend(i-1,:),citys_end(i,:)');ispV%繪制最優(yōu)路徑replot([citys_end(:,1);citys_end(1,1)],...[citys_end(:,2);citys_end(1,2)],'o-')fori=1:length(citys)text(citys(i,1),citys(i,2),[''num2str(i)])textcitysend1),citys_end(1,2),['daxis([0101])xlabel置橫坐標(biāo)')ylabel坐標(biāo)')%繪制能量函數(shù)變化曲線eplot(1:iter_num,E);ylim02000])ndxlabel);labelph11h螞蟻算法就是近年來(lái)出現(xiàn)的，搜索效果良好的一種啟發(fā)式搜索方法。螞蟻算法的主要思想，是模擬螞蟻尋找食物的過(guò)程。在螞蟻在搜索的過(guò)程中，會(huì)不斷分泌外激素。螞蟻之間通過(guò)外激素交流信息，可以很快找到從蟻穴到食物之間的最短路線。螞蟻算法的核心，就是讓螞蟻以外激素為媒介，互相交流信息，不斷搜索更好的旅行ijn城市i和城市j之間的距離,城市i和城市j之間的距離,bit表示t時(shí)刻位于城市i的螞蟻的個(gè)數(shù),則有ii1tkij的概率：(1)其中：nij為先驗(yàn)知識(shí)或稱為能見(jiàn)度，在TSP問(wèn)題中為城市i轉(zhuǎn)移到城市j的啟發(fā)信息，一般地取ijijij用以記錄螞蟻K當(dāng)前所走過(guò)的城市，稱為禁忌表(下一步不充許選擇的城市)，集合k隨一步不充許選擇的城市)，集合k%%DrawRoute.mkkh準(zhǔn)備下一次周游，這時(shí)計(jì)算每一只螞蟻?zhàn)哌^(guò)的路程L，并保存最短路徑kminmink。tt11t(2)m(2)kk1ij息素的增量。ij次循環(huán)中各路ijQ/Lk,如果螞蟻K在巡回中經(jīng)過(guò)ijij0,如果螞蟻K在巡回中不經(jīng)過(guò)ij巡回路線長(zhǎng)，這里信息素增量只與螞蟻巡回路線和Q有關(guān)系而和具體的d無(wú)關(guān)。ijLminLll1,2,,NCminkmin\其中公式(1)的解釋如下：functionDrawRoute(C,R)hNlength(R);hCCholdonplotCR1),C(R(N),1)],[C(R(1),2),C(R(N),2)],'g')holdoniNplot([C(R(ii-1),1),C(R(ii),1)],[C(R(ii-1),2),C(R(ii),2)],'g')holdontitle('問(wèn)題優(yōu)化結(jié)果')m=10;Alpha=1;Beta=5;Rho=0.1;NC_max=200;Q=100;C=[0.10.6;0.20.3;0.40.1;0.50.5;0.70.2;0.80.4;0.20.8;0.50.9;0.70.6;0.90.8]%%主要符號(hào)說(shuō)明%%NC_max最大迭代次數(shù)%%m螞蟻個(gè)數(shù)%%Alpha表征信息素重要程度的參數(shù)%%Beta表征啟發(fā)式因子重要程度的參數(shù)%%Rho信息素蒸發(fā)系數(shù)%%Q信息素增加強(qiáng)度系數(shù)%%R_best各代最佳路線%%L_best各代最佳路線的長(zhǎng)度%%=========================================================================%%第一步：變量初始化n=size(C,1);%n表示問(wèn)題的規(guī)模(城市個(gè)數(shù))hinD(i,j)=((C(i,1)-C(j,1))^2+(C(i,2)-C(j,2))^2)^0.5;度)表示%D(j,i)=D(i,j);%對(duì)稱矩陣Eta=1./D;Tau=ones(n,n);Tabu=zeros(m,n);NC=1;R_best=zeros(NC_max,n);L_best=inf.*ones(NC_max,1);L_ave=zeros(NC_max,1)whileNC<=NC_max%停止條件之一：達(dá)到最大迭代次數(shù)，停止Randpos%隨機(jī)存取foriceilmn))Randpos=[Randpos,randperm(n)];Tabu(:,1)=(Randpos(1,1:m))';%將螞蟻隨機(jī)撒在各個(gè)城市，一個(gè)城市一只forjn城市不計(jì)算rimvisitedTabui:(j-1));%記錄已訪問(wèn)的城市，避免重復(fù)訪問(wèn)Jzerosnj%待訪問(wèn)的城市PJ%待訪問(wèn)城市的選擇概率分布h下面計(jì)算待選城市的概率分布forklengthJ對(duì)于沒(méi)有訪問(wèn)的城市，以此計(jì)算訪問(wèn)概率P(k)=(Tau(visited(end),J(k))^Alpha)*(Eta(visited(end),J(k))^Beta);PPsum(P));按概率原則選取下一個(gè)城市sumSelectfindPcumrand;%若計(jì)算的概率大于原來(lái)的就選擇這條路線tovisitJSelect這里隨機(jī)選擇一個(gè)城市即可Tabuij)=to_visit;Tabu(1,:)=R_best(NC-1,:);%%第四步：記錄本次迭代最佳路線imRTabui;Li)=L(i)+D(R(1),R(n));L_best(NC)=min(L);pos=find(L==L_best(NC));R_best(NC,:)=Tabu(pos(1),:);L_ave(NC)=mean(L);NC=NC+1;后走過(guò)的距離，返回原點(diǎn)線離%第五步：更新信息素Delta_Tau=zeros(n,n);himforj=1:(n-1)Delta_Tau(Tabu(i,j),Tabu(i,j+1))=Delta_Tau(Tabu(i,j),Tabu(i,j+1))+Q/L(i);%此次循環(huán)在路徑(i，j)上的信息素增量Delta_Tau(Tabu(i,n),Tabu(i,1))=Delta_Tau(Tabu(i,n),Tabu(i,1))+Q/L(i);%此次循環(huán)在整個(gè)路徑上的信息素增量Tau=(1-Rho).*Tau+Delta_Tau;%考慮信息素?fù)]發(fā)，更新后的信息素%第六步：禁忌表清零Tabuzerosm,n);%%直到最大迭代次數(shù)%%第七步：輸出結(jié)果PosfindLbestminLbest));%找到最佳路徑(非0為真)Shortest_Route=R_best(Pos(1),:)%最大迭代次數(shù)后最佳路徑Shortest_Length=L_best(Pos(1))%最大迭代次數(shù)后最短距離%subplot1,2,1)%繪制第一個(gè)子圖形DrawRoute(C,Shortest_Route)%畫(huà)路線圖的子函數(shù)lotLbestholdonplotLave,'r')title)子圖形PosfindLbestminLbest%找到最佳路徑(非0為真)ShortestRouteRbest(Pos(1),:)%最大迭代次數(shù)后最佳路徑hShortestLengthLbestPos))%最大迭代次數(shù)后最短距離%%subplot(1,2,1)%繪制第一個(gè)子圖形rawRouteCShortestRoutetd)交叉運(yùn)算：將交叉算子作用于群體。所謂交叉是指把兩個(gè)父代個(gè)體的部分結(jié)構(gòu)加以替換重組而生成新個(gè)體的叉算子。e)變異運(yùn)算：將變異算子作用于群體。即是對(duì)群體中的個(gè)體串的某些基因座上的基因值作變動(dòng)。Pt異運(yùn)算之后得到下一代群體P(t1)。h適應(yīng)度函數(shù)，交叉操作函數(shù)，變異操作函數(shù)，選擇操作函數(shù)，等NINDXMAXGENcmR%Rlength為路徑長(zhǎng)度%%加載數(shù)據(jù)hX=[0.10.6;0.20.3;0.40.1;0.50.5;0.70.2;0.80.4;0.20.8;0.50.9;0.70.6;0.90.8]D=Distanse(X);N=size(D,1);%%遺傳參數(shù)NIND=100;MAXGEN=200;Pc=0.9;Pm=0.05;GGAP=0.9;%%初始化種群矩陣Chrom=InitPop(NIND,N);%%畫(huà)出隨機(jī)解的路徑圖DrawPath(Chrom(1,:),X)pause(0.0001)%%輸出隨機(jī)解的路徑和總距離disp機(jī)值:')OutputPathChrom:));RlengthPathLength(D,Chrom(1,:));disp('~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~')%%優(yōu)化holdon;boxonxlim0,MAXGEN])labelabelObjVPathLengthDChrom算路徑長(zhǎng)度%%計(jì)算適應(yīng)度hObjVPathLengthDChrom;%計(jì)算路徑長(zhǎng)度f(wàn)printf('%d%1.10f\n',gen,min(ObjV))negengenpreObjVminObjVpauseeObjVminObjVtnVFitnessObjV%%選擇SelCh=Select(Chrom,FitnV,GGAP);%%交叉操作SelCh=Recombin(SelCh,Pc);%%變異SelCh=Mutate(SelCh,Pm);%%逆轉(zhuǎn)操作SelCh=Reverse(SelCh,D);%%重插入子代的新種群Chrom=Reins(Chrom,SelCh,ObjV);%%更新迭代次數(shù)gen=gen+1;%%畫(huà)出最優(yōu)解的路徑圖ObjV=PathLength(D,Chrom);%計(jì)算路徑長(zhǎng)度minObjVminIndminObjV);DrawPath(Chrom(minInd(1),:),X)legend('2121149');%%輸出最優(yōu)解的路徑和總距離pp=OutputPath(Chrom(minInd(1),:));disp('-------------------------------------------------------------')h在一片水域中，魚(yú)往往能自行或尾隨其他魚(yú)找到營(yíng)養(yǎng)物質(zhì)多的地方，因而魚(yú)生存數(shù)目最多的地方一般就是本水域中營(yíng)養(yǎng)物質(zhì)最多的地方，人工魚(yú)群算法就是根據(jù)這一特點(diǎn)，通過(guò)構(gòu)造人工魚(yú)來(lái)模仿魚(yú)群的覓食。聚群及追尾魚(yú)的幾種典型行為:機(jī)地自由游動(dòng),當(dāng)發(fā)現(xiàn)食物時(shí),則會(huì)向食物逐漸增多的方向快速游去。(2)聚群行為:魚(yú)在游動(dòng)過(guò)程中為了保證自身的生存和躲避危害會(huì)自然地聚集成群，魚(yú)聚群時(shí)所遵守的規(guī)則有三：盡量避免與臨近伙伴過(guò)于擁擠;對(duì)準(zhǔn)規(guī)則:盡量與臨近伙伴的平均方向一致;內(nèi)聚規(guī)則:盡量朝臨h(4)隨機(jī)行為：?jiǎn)为?dú)的魚(yú)在水中通常都是隨機(jī)游動(dòng)的，這是為了更大范圍地尋找食物點(diǎn)或身邊的伙伴。到matlab字文件目錄下Max_gen=50;%最多迭代次數(shù)ynumberVisual%感知距離deta度因子CityPosition=[0.10.6;0.20.3;0.40.1;0.50.5;0.70.2;0.80.4;0.20.8;0.50.9;0.70.6;0.90.8]CityNum=length(CityPosition);%城市個(gè)數(shù)DNAN=100;fori=1:CityNumedge(i,i)=DNAN;forj=i+1:CityNumedge(i,j)=sqrt(sum((CityPosition(i,:)-CityPosition(j,:)).^2));edge(j,i)=edge(i,j);foriFishNum%對(duì)所有人工魚(yú)進(jìn)行初始化X(i,:)=Inital(CityNum);Best000;rNCMaxgenBestyNC)=1000;ishNumetaiedgehVisual=floor(Visual*(1-NC/Max_gen));rynumberedgemVisualdetaiedgeXiXi);%無(wú)奈，靜止不動(dòng)，這是對(duì)算法的一個(gè)改進(jìn)XiXiievaluateXiedgeBestyNC)=Yi;%每次最優(yōu)解BestYi;%全局最優(yōu)解estpathXicBestpathCityNumcatstrcatsnumstrBestpathicatsstrcatsnumstrBestpathdisp的最優(yōu)路徑:',s,',最優(yōu)值:',num2str(Best)]);plotBestynxtextfloorMaxgen'最優(yōu)值隨迭代次數(shù)變化曲線');xlabel);abelhXC1,2,3,4,5,6,7,8,9,10];%你給的最優(yōu)解ateXCedgedisp',num2str(XC),'1,最優(yōu)值:',num2str(y)]);disp方法，好累累啊');速度快，適合求解固定起點(diǎn)的最有時(shí)候會(huì)出錯(cuò)Hopfieldhh確，應(yīng)用廣泛受起止點(diǎn)位置和障礙分布的影響遺傳算法比較強(qiáng)的全局搜索能力遺傳算法適合求解離散問(wèn)題，具備數(shù)學(xué)計(jì)算速度快，可以求解任意點(diǎn)最為起點(diǎn)的最優(yōu)解當(dāng)城市數(shù)量達(dá)到最大值時(shí)候，需要對(duì)算mmingCliff。對(duì)于常規(guī)問(wèn)題解決axlsreadanxls');ba((1:19),1);ca);ysbcyshm;Alpha=1;Beta=5;Rho=0.1;NC_max=200;Q=100;C673;;0;;h%%主要符號(hào)說(shuō)明%%NC_max最大迭代次數(shù)%%m螞蟻個(gè)數(shù)%%Alpha表征信息素重要程度的參數(shù)%%Beta表征啟發(fā)式因子重要程度的參數(shù)%%Rho信息素蒸發(fā)系數(shù)%%Q信息素增加強(qiáng)度系數(shù)%%R_best各代最佳路線%%L_best各代最佳路線的長(zhǎng)度%%=========================================================================%%第一步：變量初始化n=size(C,1);%n表示問(wèn)題的規(guī)模(城市個(gè)數(shù))DinD(i,j)=((C(i,1)-C(j,1))^2+(C(i,2)-C(j,2))^2)^0.5;度)表示%D(j,i)=D(i,j);%對(duì)稱矩陣Eta=1./D;Tau=ones(n,n);Tabu=zeros(m,n);NC=1;R_best=zeros(NC_max,n);L_best=inf.*ones(NC_max,1);L_ave=zeros(NC_max,1)hwhileNC<=NC_max%停止條件之一：達(dá)到最大迭代次數(shù)，停止Randpos%隨機(jī)存取foriceilmn))Randpos=[Randpos,randperm(n)];Tabu(:,1)=(Randpos(1,1:m))';%將螞蟻隨機(jī)撒在各個(gè)城市，一個(gè)城市一只forjn城市不計(jì)算rimvisitedTabui:(j-1));%記錄已訪問(wèn)的城市，避免重復(fù)訪問(wèn)Jzerosnj%待訪問(wèn)的城市PJ%待訪問(wèn)城市的選擇概率分布findvisitedk下面計(jì)算待選城市的概率分布forklengthJ對(duì)于沒(méi)有訪問(wèn)的城市，以此計(jì)算訪問(wèn)概率P(k)=(Tau(visited(end),J(k))^Alpha)*(Eta(visited(end),J(k))^Beta);PPsum(P));按概率原則選取下一個(gè)城市sumSelectfindPcumrand;%若計(jì)算的概率大于原來(lái)的就選擇這條路線tovisitJSelect這里隨機(jī)選擇一個(gè)城市即可Tabuij)=to_visit;Tabu(1,:)=R_bes