蚁群算法ACO.rar_函数优化算法_蚁群优化_蚁群算法_蚁群算法 函数_蚁群算法优化

%%基于蚁群算法ACO的函数优化分析 % Designed by Yu Shengwei, From SWJTU University,2014 08 12 clc %清屏 clear all; %删除workplace变量 close all; %关掉显示图形窗口 warning off tic; %计时开始 %%取值范围 popmax=5; %待寻优阈值最大取值初始化 popmin=-5; %待寻优阈值最小取值初始化 %%蚁群算法ACO参数初始化 Ant=100; %蚂蚁数量 Times=100; %蚂蚁移动次数 Rou=0.8; %信息素挥发系数 P0=0.2; %转移概率参数 %%产生初始粒子和速度 for i=1:Ant %随机产生一个种群 for j=1:2 pop(i,j)=(rand(1,1)*(popmax-popmin)+popmin); %初始种群个体 end %计算适应度 fitness(i)=Fitness_ACO(pop(i,:),'aco'); %染色体的适应度 end %找最好的染色体 [bestfitness bestindex]=min(fitness); %最大适应度值 zbest = pop(bestindex,:); %全局最佳 gbest = pop; %个体最佳 fitnessgbest=fitness; %个体最佳适应度值 fitnesszbest=bestfitness; %全局最佳适应度值 %%迭代寻优 for T=1:Times disp(['迭代次数: ',num2str(T)]); %迭代次数 lamda=1/T; %嘴和迭代次数进行，蚂蚁信息素挥发参数 [bestfitness,bestindex]=min(fitness); %找最好的适应度值 ysw(T)=bestfitness; %储存最好的适应度值 for i=1:Ant P(T,i)=(fitness(bestindex)-fitness(i))/fitness(bestindex); %计算状态转移概率 end %蚂蚁个体更新 for i=1:Ant if P(T,i)<P0 %局部搜索 temp(i,:)=pop(i,:)+(2*rand-1)*lamda; %全局搜索 else %全局搜索 temp(i,:)=pop(i,:)+(popmax-popmin)*(rand-0.5); end %越界处理 temp(i,find(temp(i,:)>popmax))=popmax; temp(i,find(temp(i,:)<popmin))=popmin; %判断蚂蚁是否移动 if Fitness_ACO( temp(i,:),'aco')<Fitness_ACO(pop(i,:),'aco') %判断蚂蚁是否移动 pop(i,:)=temp(i,:); end end %更新信息量 for i=1:Ant fitness(i)=(1-Rou)*fitness(i)+Fitness_ACO(pop(i,:),'aco'); end ysw(T)=min(fitness); %储存最好的适应度值 end [max_value,max_index]=min(fitness); %最大适应度值 zbest=pop(max_index,:); %%清除变量 clear Ant i T Rou p P0 lamda popmax popmin j N_PAR P V gbest max_index clear Lmax level fitnessgbest fitnesszbest bestfitness bestindex fitnessgbest %%结果输出 fitnessgbest=max_value %返回最优阈值 zbest %最佳个体值 time=toc %返回CPU计算时间 figure('color',[1,1,1]) plot(ysw(2:end),'r*-') xlabel('迭代次数');ylabel('最优适应度值')