通过 PSO实现TSP问题优化

clc;
clear;
close all;
warning off;

data=load('Oliver30.txt');

a=data(:,2);
b=data(:,3);
C=[a b]; %城市坐标矩阵
n=size(C,1); %城市数目
D=zeros(n,n); %城市距离矩阵

%L_best=ones(Nmax,1);
for i=1:n
for j=1:n
if i~=j
D(i,j)=((C(i,1)-C(j,1))^2+(C(i,2)-C(j,2))^2)^0.5;
end
D(j,i)=D(i,j);
end
end
Nmax=200;
m=10;

%% 初始化所有粒子
for i=1:m
x(i,:)=randperm(n); %粒子位置
end
F=fitness(x,C,D); %计算种群适应度
%xuhao=xulie(F) %最小适应度种群序号
a1=F(1);
a2=1;
for i=1:m
if a1>=F(i)
a1=F(i);
a2=i;
end
end
xuhao=a2;
Tour_pbest=x; %当前个体最优
Tour_gbest=x(xuhao,:) ; %当前全局最优路径
Pb=inf*ones(1,m); %个体最优记录
Gb=F(a2); %群体最优记录
xnew1=x;
N=1;
while N<=Nmax
%计算适应度
F=fitness(x,C,D);
for i=1:m
if F(i)<Pb(i)
Pb(i)=F(i); %将当前值赋给新的最佳值
Tour_pbest(i,:)=x(i,:);%将当前路径赋给个体最优路径
end
if F(i)<Gb
Gb=F(i);
Tour_gbest=x(i,:);
end
end
% nummin=xulie(Pb) %最小适应度种群序号
a1=Pb(1);
a2=1;
for i=1:m
if a1>=Pb(i)
a1=Pb(i);
a2=i;
end
end
nummin=a2;
Gb(N)=Pb(nummin); %当前群体最优长度
for i=1:m
%% 与个体最优进行交叉
c1=round(rand*(n-2))+1; %在[1,n-1]范围内随机产生一个交叉位
c2=round(rand*(n-2))+1;
while c1==c2
c1=round(rand*(n-2))+1; %在[1,n-1]范围内随机产生一个交叉位
c2=round(rand*(n-2))+1;
end
chb1=min(c1,c2);
chb2=max(c1,c2);
cros=Tour_pbest(i,chb1:chb2); %交叉区域矩阵
ncros=size(cros,2); %交叉区域元素个数
%删除与交叉区域相同元素
for j=1:ncros
for k=1:n
if xnew1(i,k)==cros(j)
xnew1(i,k)=0;
for t=1:n-k
temp=xnew1(i,k+t-1);
xnew1(i,k+t-1)=xnew1(i,k+t);
xnew1(i,k+t)=temp;
end
end
end
end
xnew=xnew1;
%插入交叉区域
for j=1:ncros
xnew1(i,n-ncros+j)=cros(j);
end
%判断产生新路径长度是否变短
dist=0;
for j=1:n-1
dist=dist+D(xnew1(i,j),xnew1(i,j+1));
end
dist=dist+D(xnew1(i,1),xnew1(i,n));
if F(i)>dist
x(i,:)=xnew1(i,:);
end
%% 与全体最优进行交叉
c1=round(rand*(n-2))+1; %在[1,n-1]范围内随机产生一个交叉位
c2=round(rand*(n-2))+1;
while c1==c2
c1=round(rand*(n-2))+1; %在[1,n-1]范围内随机产生一个交叉位
c2=round(rand*(n-2))+1;
end
chb1=min(c1,c2);
chb2=max(c1,c2);
cros=Tour_gbest(chb1:chb2); %交叉区域矩阵
ncros=size(cros,2); %交叉区域元素个数
%删除与交叉区域相同元素
for j=1:ncros
for k=1:n
if xnew1(i,k)==cros(j)
xnew1(i,k)=0;
for t=1:n-k
temp=xnew1(i,k+t-1);
xnew1(i,k+t-1)=xnew1(i,k+t);
xnew1(i,k+t)=temp;
end
end
end
end
xnew=xnew1;
%插入交叉区域
for j=1:ncros
xnew1(i,n-ncros+j)=cros(j);
end
%判断产生新路径长度是否变短
dist=0;
for j=1:n-1
dist=dist+D(xnew1(i,j),xnew1(i,j+1));
end
dist=dist+D(xnew1(i,1),xnew1(i,n));
if F(i)>dist
x(i,:)=xnew1(i,:);
end
%% 进行变异操作
c1=round(rand*(n-1))+1; %在[1,n]范围内随机产生一个变异位
c2=round(rand*(n-1))+1;
temp=xnew1(i,c1);
xnew1(i,c1)=xnew1(i,c2);
xnew1(i,c2)=temp;
%判断产生新路径长度是否变短
dist=0;
for j=1:n-1
dist=dist+D(xnew1(i,j),xnew1(i,j+1));
end
dist=dist+D(xnew1(i,1),xnew1(i,n));
%dist=dist(xnew1(i,:),D);
if F(i)>dist
x(i,:)=xnew1(i,:);
end
end
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% F=(x,C,D) %计算种群适应度
%xuhao=xulie(F) %最小适应度种群序号
a1=F(1);
a2=1;
for i=1:m
if a1>=F(i)
a1=F(i);
a2=i;
end
end
xuhao=a2;
L_best(N)=min(F);
Tour_gbest=x(xuhao,:); %当前全局最优路径
N=N+1;
figure(1)
scatter(C(:,1),C(:,2));
hold on
plot([C(Tour_gbest(1),1),C(Tour_gbest(n),1)],[C(Tour_gbest(1),2),C(Tour_gbest(n),2)],'ms-','LineWidth',2,'MarkerEdgeColor','k','MarkerFaceColor','g')
for ii=2:n
plot([C(Tour_gbest(ii-1),1),C(Tour_gbest(ii),1)],[C(Tour_gbest(ii-1),2),C(Tour_gbest(ii),2)],'ms-','LineWidth',2,'MarkerEdgeColor','k','MarkerFaceColor','g')
end
hold off
figure(2)
plot(L_best);
% set(findobj('tag','N'),'string',num2str(N-1));%当前迭代次数
% set(findobj('tag','tour'),'string',num2str(Tour_gbest));%当前最优路径
% set(findobj('tag','L'),'string',num2str(min(L_best)));%当前最优路径长度 %%%这里的L_best是当前最优路径？？？

end
for j=1:Nmax
if j==1
Nbest=1;
elseif L_best(j)<L_best(j-1)
Nbest=j;
end
end

D134

通过 PSO实现TSP问题优化相关推荐

pso解决tsp matlab,计算智能课程设计_粒子群优化算法求解旅行商问题_Matlab实现.doc...
计算智能课程设计_粒子群优化算法求解旅行商问题_Matlab实现.doc 摘要:TSP是一个典型的NPC问题.本文首先介绍旅行商问题和粒子群优化算法的基本概念.然后构造一种基于交换子和交换序[1]概念 ...
PSO求解梯级水库优化调度
%%%%%%%%%%%%%%PSO求解梯级水库优化调度%%%%%%%%%%%%%%%%% %------初始格式化------------------------------------------- ...
PSO粒子群算法优化BP神经网络（PSO-BPNN）回归预测MATLAB代码
PSO粒子群算法优化BP神经网络(PSO-BPNN)回归预测MATLAB代码(有优化前后的对比) 代码注释清楚. main为运行主程序,可以读取本地EXCEL数据,也可以加载本地数据.mat,使用换自 ...
利用PSO求解TSP问题
简介 PSO(粒子群算法)是群智能算法的一种,其他的群智能算法还有蚁群算法,遗传算法等.其他的智能算法还有模拟退火.之前看过一段时间的PSO,商务智能课程最后的大作业便想用一下,刚好在github上看 ...
PSO应用TSP（引入交换子）
在退火算法解决简单优化问题一文中提到在一般智能算法应用于实际问题时,需要着重注意以下几个方面,并根据具体问题决定实现思路. 构造初始解目标函数最优产生新解(重点) 目标函数即商人行进耗费也可称之 ...
粒子群算法(PSO)——Java实现PSO算法(详细注释) 优化算法
粒子群算法原理: https://blog.csdn.net/daaikuaichuan/article/details/81382794 代码||注释||结果 package PSO;/** Tar ...
【9种优化算法比较】CGO、SCA、GWO、CSA、SSA、HHO、WOA、PSO、TSO智能优化算法比较（Matlab代码实现）
基于PSO粒子群优化算法的TSP问题最短路径求解matlab仿真
up目录一.理论基础二.核心程序三.测试结果一.理论基础在PSO中,群中的每个粒子表示为向量.在投资组合优化的背景下,这是一个权重向量,表示每个资产的分配资本.矢量转换为多维搜索空间中的位置 ...
【控制】粒子群优化（PSO，Particle Swarm Optimization）算法及 Matlab 仿真实现
文章目录定义对比模拟捕食通俗解释粒子抽象关于速度和位置速度和位置的更新标准PSO算法流程标准PSO算法的流程 PSO流程图解学习因子 c1.c2c_1.c_2c1.c2 分析仿 ...

通过 PSO实现TSP问题优化

通过 PSO实现TSP问题优化相关推荐

最新文章

热门文章