DPSO离散粒子群算法解决旅行商问题

粒子群算法用于解决离散问题，主程序是离散粒子群算法解决旅行商问题

%初始化
clear;

Alpha=1; %信息素重要程度的参数
Beta=5; %启发式因子重要程度的参数 
Rho=0.95; %信息素蒸发系数
NC_max=200; %最大迭代次数
Q=100; %信息素增加强度系数
CityNum=30;  %问题的规模（城市个数）
[dislistClist]=tsp（CityNum）;
m=CityNum; %蚂蚁个数
Eta=1./dislist;%Eta为启发因子，这里设为距离的倒数
Tau=ones（CityNumCityNum）;%Tau为信息素矩阵
Tabu=zeros（mCityNum）;%存储并记录路径的生成
NC=1;%迭代计数器
R_best=zeros（NC_maxCityNum）; %各代最佳路线
L_best=inf.*ones（NC_max1）;%各代最佳路线的长度
L_ave=zeros（NC_max1）;%各代路线的平均长度

figure（1）;
while NC<=NC_max %停止条件之一：达到最大迭代次数
    %将m只蚂蚁放到CityNum个城市上
    Randpos=[];
    for i=1:（ceil（m/CityNum））
        Randpos=[Randposrandperm（CityNum）];
    end
    Tabu（:1）=（Randpos（11:m））‘;
    
    %m只蚂蚁按概率函数选择下一座城市，完成各自的周游
    for j=2:CityNum
        for i=1:m
            visited=Tabu（i1:（j-1））; %已访问的城市
            J=zeros（1（CityNum-j+1））;%待访问的城市
            P=J;%待访问城市的选择概率分布
            Jc=1;
            for k=1:CityNum
                if length（find（visited==k））==0
                    J（Jc）=k;
                    Jc=Jc+1;
                end
            end
            %计算待选城市的概率分布
            for k=1:length（J）
                P（k）=（Tau（visited（end）J（k））^Alpha）*（Eta（visited（end）J（k））^Beta）;
            end
            P=P/（sum（P））;
            %按概率原则选取下一个城市
            Pcum=cumsum（P）;
            Select=find（Pcum>=rand）;
            to_visit=J（Select（1））;
            Tabu（ij）=to_visit;
        end
    end
    if NC>=2
        Tabu（1:）=R_best（NC-1:）;
    end
    %记录本次迭代最佳路线
    L=zeros（m1）;
    for i=1:m
        R=Tabu（i:）;
        L（i）=CalDist（dislistR）;
    end
    L_best（NC）=min（L）;
    pos=find（L==L_best（NC））;
    R_best（NC:）=Tabu（pos（1）:）;
    L_ave（NC）=mean（L）;
    drawTSP（ClistR_best（NC:）L_best（NC）NC0）;
    NC=NC+1;
    %更新信息素
    Delta_Tau=zeros（CityNumCityNum）;
    for i=1:m
        for j=1:（CityNum-1）
            Delta_Tau（Tabu（ij）Tabu（ij+1））=Delta_Tau（Tabu（ij）Tabu（ij+1））+Q/L（i）;
        end
        Delta_Tau（Tabu（iCityNum）Tabu（i1））=Delta_Tau（Tabu（iCityNum）Tabu（i1））+Q/L（i）;
    end
    Tau=（1-Rho）.*Tau+Delta_Tau;
    Tabu=zeros（mCityNum）; %禁忌表清零
    %pause;
    tauji（NC）=Tau（12）;
end

%输出结果
Pos=find（L_best==min（L_best））;
Shortest_Route=R_best（Pos（1）:）;
Shortest_Length=L_best（Pos（1））;
figure（2）;
plot（[L_best L_ave]）;
legend（‘最短距离‘‘平均距离‘）;

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----
     文件         169  2013-09-13 16:12  CalDist.m
     文件        2577  2013-09-13 16:12  ant_colony_system.m
     文件         162  2013-09-13 16:12  changeFun.m
     文件         169  2013-09-13 16:12  changeNum.asv
     文件         169  2013-09-13 16:12  changeNum.m
     文件         610  2013-09-13 16:12  drawTSP.m
     文件         636  2013-09-13 16:12  drawTSP10.m
     文件        3435  2013-09-13 16:12  genetic_algorithm.m
     文件        2018  2013-09-13 16:12  hopfield_neuro_network.m
     文件        2229  2013-09-22 21:24  particle_swarm_optimization.asv
     文件        2229  2013-09-22 21:26  particle_swarm_optimization.m
     文件        1716  2013-09-13 16:12  particle_swarm_optimization1.m
     文件        1742  2013-09-13 16:12  simulated_annealing.m
     文件        2626  2013-09-13 16:12  tabu_search.m
     文件        2134  2013-09-13 16:12  tsp.m