現代のインテリジェントなアルゴリズムとしては、アリのコロニーのアルゴリズムは、任意の事前知識を必要としない、最初にランダムに選択された検索パス、解空間を理解し、より多くの規則を検索し、徐々にグローバル最適なソリューションを取得します。現在、アリコロニーアルゴリズムが正常に車両が問題と割り当ての問題をルーティング、巡回セールスマン問題を解決するために適用されています。。。
TSPを解きます：
キャップ22 %%最適化アントコロニーアルゴリズム-巡回セールスマン問題（TSP）の最適化
%%空の環境変数
すべてクリア
CLC
%%インポートデータの
ロードcitys_data.mat
%%都市間の相互の距離計算
のn =サイズ（市内、1 ）;
D =ゼロ（N、N-）;
私は= 1：N-
ため= J. 1：N-
IF I〜J =
D（I、J）= SQRT（SUM（（市内（I、:) -市内（J 、：））^ 2））;
他
。D（I、J）= -1E 4;
エンド
エンド
エンド
%%初期化パラメータ
M = 50;アリの％番号
アルファ= 1;％フェロモン重要因子
ベータ= 5。 ％ヒューリスティック関数の重要因子
のRho = 0.1;％因子フェロモンを揮発分
Q = 1;％定数係数
％ヒューリスティック関数; = 1./Dイータの
タウの=もの（N、N-）;マトリックスフェロモン％の
記録紙の％経路;表=ゼロ（M、N-）
ITER = 1;反復％の数初期
iter_max = 200;反復の％の最大数
Route_best =ゼロ（iter_max、N） ;％の世代最良経路
Length_best =ゼロ（iter_max、1） ; 世代の％長最良経路
Length_ave =ゼロ（iter_max、1） ;長％世代の経路平均
%%への最適パスの反復探索
しながらITER <= iter_max
％アリそれぞれランダムに生成された出発都市
スタート=ゼロ（M ,. 1）;
私は=のために1：Mの
TEMP = randperm（N-）;
スタート（I）= TEMP;（1）
エンド
テーブルを（：、1）=スタート。
構築％溶液スペース
= citys_indexを1：N-;
％個別アリ経路選択
。M：I = 1のための
％個別都市経路選択
J = 2：N-
都市セット（タブーリスト）％訪問; - ：タブー=表（1）（J I ,. 1）
allow_index =〜内容isMember （citys_index、タブー）;
許可= citys_index（allow_index）のセットがアクセスする都市％
; Pが許可=
％が都市間遷移確率を計算し
、K = 1：長さ（許可）
P（K）は、タウ（タブー（完）の= （K））を許可イータ* ^アルファ（タブー（エンド）の、許可（K））^ベータ;
エンド
P = P / SUM（P）;
選択次のアクセス方法のルーレット街％
PC = CUMSUM（P）;
= target_index（PC> = RAND）を見つけ、
目標=許可（target_index（1））。
表（I、J）=目標;
[MIN_LENGTH、min_index]分=（長さ）。
エンド
エンド
％计算各个蚂蚁的路径距离
長さ=ゼロ（M、1）。
iは=のために1：M
ルート=表（I、:)。
J = 1：（N - 1）
長さ（l）=長さ（l）+ D（経路（j）は、ルート（J + 1））。
端部
長さ（l）=長さ（l）+ D（経路（N）、経路（1））。
端
％计算最短路径距离及平均距离
ITER == 1の場合
[MIN_LENGTH、min_index] =分（長さ）。
Length_best（ITER）= MIN_LENGTH。
Length_ave（ITER）=平均値（長さ）。
Route_best（ITER、:) =表（min_index、:)。
他
Length_best（ITER）=分（Length_best（ITER - 1）、MIN_LENGTH）。
Length_ave（ITER）=平均値（長さ）。
Length_best（ITER）== MIN_LENGTH場合
Route_best（ITER、:) =表（min_index、:)。
他
Route_best（ITER、:) = Route_best（（ITER-1）、:)。
エンド
エンド
％更新信息素
Delta_Tau =ゼロ（N、N）。
％逐个蚂蚁计算
M：I = 1のための
％逐个城市计算
- （1 N）：J = 1
Delta_Tau（表（i、j）は、テーブル（I、J + 1））= Delta_Tau（表（I、J ）、表（I、J + 1））+ Q /長さ（l）
エンド
Delta_Tau（表（I、N）、テーブル（I、1））= Delta_Tau（表（I、N）、テーブル（I、1））+ Q /長さ（l）
終わり
タウ=（1-ロー）*タウ+ Delta_Tau。
％プラス反復回数、記録シートの明確な経路
ITER = ITER + 1。
表=ゼロ（M、N）。
エンド
%%结果显示
[Shortest_Length、インデックス] =分（Length_best）。
Shortest_Route = Route_best（インデックス、:)。
DISP（[ '最短距离：' num2strは（Shortest_Length）]）。
DISP（[ '最短路径' num2strは（[Shortest_Route Shortest_Route（1）]）]）。
%%绘图
図（1）
プロット（[市内（Shortest_Route、1）;市内（Shortest_Route（1）、1）]、...
[市内（Shortest_Route、2）;市内（Shortest_Route（1）、2）]、 '）O-';
上のグリッド
I = 1の場合：サイズ（市内、1）
テキスト（市内（I、1）、市内（I、2）、[」 'num2strは（I）]）。
エンド
テキスト（市内（Shortest_Route（1）、1）、市内（Shortest_Route（1）、2）、 '起点'）。
テキスト（市内（Shortest_Route（末端） 、1）、市内（Shortest_Route（終了）、2） ' 末端'）;
は、xlabel（「位置横都市'）
ylabelの（'都市縦位置「）
タイトル（[ 'アントコロニー最適化アルゴリズム（最短距離：' num2strは（Shortest_Length） '） ']）
図（2）
プロット（1：iter_max、Length_best、 'B' ,. 1：iter_max、Length_ave、 'R＆LT：'）
レジェンド（ '最小距離'、 '平均距離'）
は、xlabel（ '反復'）
ylabelの（」距離「）
世代のタイトル（」平均距離の最短距離コントラスト「）
アントコロニー最適化アルゴリズムのパス：
世代最短距離との平均距離の比較：
