基于混合粒子群算法的tsp搜索算法

1、<p>　　基于混合粒子群算法的TSP搜索算法</p><p><b>　　1、案例背景</b></p><p>　　粒子群算法（Particle Swarm Optimization,PSO）是Kennedy博士和Eberhart博士在1995年提出的一種基于群體智能的優(yōu)化算法，它首先初始化一群隨機(jī)粒子，然后通過迭代尋找問題的最優(yōu)解，在每一次迭代過程中，粒

2、子通過個體極值和群體極值更新自身的速度和位置。</p><p>　　標(biāo)準(zhǔn)粒子群算法通過追隨個體極值和群體極值來完成極值尋優(yōu)的，雖然操作簡單，且能夠快速收斂，但是隨著迭代次數(shù)的不斷增加，在種群收斂集中的同時，各粒子也越來越相似，可能在局部解周邊無法跳出?；旌狭Ｗ尤核惴ㄞ饤壛藗鹘y(tǒng)粒子群算法中的通過跟蹤極值來更新粒子位置的方法，而是引入了遺傳算法中的交叉和變異操作，通過粒子同個體極值和群體極值的交叉以及粒子自身變異的方

3、式來搜索最優(yōu)解。</p><p><b>　　2、案例目錄</b></p><p><b>　　本案例的目錄為：</b></p><p>　　第十五章 基于混合粒子群算法的TSP搜索算法</p><p><b>　　15.1 理論基礎(chǔ)</b></p&g

4、t;<p><b>　　15.2 案例背景</b></p><p>　　15.2.1 問題描述</p><p>　　15.2.2 算法流程</p><p>　　15.2.3 算法實現(xiàn)</p><p>　　15.3 MATLAB程序?qū)崿F(xiàn)</p><p

5、>　　15.3.1 適應(yīng)度函數(shù)</p><p>　　15.3.2 粒子初始化</p><p>　　15.3.3 交叉操作</p><p>　　15.3.4 變異操作</p><p>　　15.3.5 仿真結(jié)果</p><p><b>　　15.4延伸閱讀

6、.</b></p><p>　　15.5 參考文獻(xiàn)..</p><p><b>　　3、主程序</b></p><p>　　%% 循環(huán)尋找最優(yōu)路徑</p><p>　　for N=1:nMax</p><p><b>　　N</b></p>

7、<p><b>　　%計算適應(yīng)度值</b></p><p>　　indiFit=fitness(individual,cityCoor,cityDist);</p><p>　　%更新當(dāng)前最優(yōu)和歷史最優(yōu)</p><p>　　for i=1:indiNumber</p><p>　　if indiFit(i)&

8、lt;recordPbest(i)</p><p>　　recordPbest(i)=indiFit(i);</p><p>　　tourPbest(i,:)=individual(i,:);</p><p><b>　　end</b></p><p>　　if indiFit(i)<recordGbest<

9、/p><p>　　recordGbest=indiFit(i);</p><p>　　tourGbest=individual(i,:);</p><p><b>　　end</b></p><p><b>　　end</b></p><p>　　[value,index]=mi

10、n(recordPbest);</p><p>　　recordGbest(N)=recordPbest(index);</p><p><b>　　%% 變異操作</b></p><p>　　c1=round(rand*(n-1))+1; %產(chǎn)生變異位</p><p>　　c2=round(rand*(n-1))+1;

11、 %產(chǎn)生變異位</p><p>　　while c1==c2</p><p>　　c1=round(rand*(n-2))+1;</p><p>　　c2=round(rand*(n-2))+1;</p><p><b>　　end</b></p><p>　　temp=xnew1(i,c1);&

12、lt;/p><p>　　xnew1(i,c1)=xnew1(i,c2);</p><p>　　xnew1(i,c2)=temp;</p><p>　　%新路徑長度變短則接受</p><p><b>　　dist=0;</b></p><p>　　for j=1:n-1</p><p

13、>　　dist=dist+cityDist(xnew1(i,j),xnew1(i,j+1));</p><p><b>　　end</b></p><p>　　dist=dist+cityDist(xnew1(i,1),xnew1(i,n));</p><p>　　if indiFit(i)>dist</p><

14、p>　　individual(i,:)=xnew1(i,:);</p><p><b>　　end</b></p><p><b>　　end</b></p><p>　　[value,index]=min(indiFit);</p><p>　　L_best(N)=indiFit(index