clc;
晴れ;
すべて閉じる;
%%
チック
T0 = 1000;％初期温度
傾向= 1e-20;％終了温度
L = 500;％各温度での反復回数（チェーン長）
q = 0.9;％冷却速度
%%データをロード
matlab1をロードします。
X = A;
%%
D =距離（X）;％距離行列の計算
N =サイズ（D、1）;％都市の数
%%初期ソリューション
S1 = randperm（N）;％は初期ルートをランダムに生成します
%%ランダム解の経路図を描く
DrawPath（S1、X）
一時停止（0.0001）
%%出力ランダムソリューションパスと合計距離
disp（ '初期母集団のランダムな値：'）
OutputPath（S1）;
Rlength = PathLength（D、S1）;
disp（['合計距離：'、num2str（Rlength）]）;
%%反復回数を計算します時間
Time = ceil（double（solve（['1000 *（0.9）^ x ='、num2str（Tend）]）））;
count = 0;％反復回数
Obj = zeros（Time、1）;％ターゲット値行列の初期化
トラック=ゼロ（時間、N）;％生成ごとの最適ルート行列の初期化
%%反復
一方、T0> Tend
count = count + 1;％更新反復
temp = zeros（L、N + 1）;
k = 1：Lの場合
%%は新しいソリューションを生成します
S2 = NewAnswer（S1）;
%% Metropolisルールは、新しいソリューションを受け入れるかどうかを決定します
[S1、R] =メトロポリス（S1、S2、D、T0）;％メトロポリスサンプリングアルゴリズム
temp（k、:) = [S1 R];％次のルートとその距離を記録
終わり
%%各反復の最適ルートを記録します
[d0、index] = min（temp（：、end））;％現在の温度で最適なルートを見つける
count == 1の場合|| d0 <Obj（カウント-1）
Obj（count）= d0;％現在の温度での最適距離が以前の距離よりも短い場合、現在の距離を記録します
そうしないと
Obj（count）= Obj（count-1）;％現在の温度での最適距離が前の距離より大きい場合、最後の距離を記録します
終わり
track（count、:) = temp（index、1：end-1）;％現在の温度の最適ルートを記録
T0 = q * T0;％冷却
fprintf（1、 '％d \ n'、count）％出力現在の反復数
終わり
%%最適化プロセス反復図
図
plot（1：count、Obj）
xlabel（ '反復回数'）
ylabel（ '距離'）
タイトル（「最適化プロセス」）
%%最適解のパスマップ
DrawPath（トラック（終了、:)、X）
最適なソリューションを出力するための%%ルートと合計距離
disp（ '最適解：'）
S = track（end、:);
p = OutputPath（S）;
disp（['合計距離：'、num2str（PathLength（D、S）））]）;
DISP（「----------------------------------------------- --------------「）
M = zeros（N、3）;
％X（S（2）、：、:)
for i = 1：N
M（i、：、：）= X（S（i）、：、:);
終わり
C = [M（：、：、:); M（1、：、:)]
scatter3（X（：、1）、X（：、2）、X（：、3）、 'k'、 'linewidth'、3）
つかまっている
plot3（C（：、1）、C（：、2）、C（：、3）、 'r'、 'linewidth'、2）
ヒール