蚁群算法是一种模拟蚂蚁觅食行为的优化算法，适合用于解决旅行商问题（TSP）

蚁群算法是一种模拟蚂蚁觅食行为的优化算法，适合用于解决旅行商问题（TSP）。以下是使用 MATLAB 实现蚁群算法解决 50 个城市 TSP 问题的代码：

代码说明：

1. 城市坐标生成：利用 rand(numCities, 2) 随机生成 50 个城市的坐标，接着算出城市之间的距离矩阵。
2. 蚁群算法参数设置：对蚂蚁数量、迭代次数、信息素重要程度因子、启发式因子、信息素挥发因子以及信息素增加强度系数等参数进行设置。
3. 信息素矩阵初始化：把信息素矩阵初始化为全 1 矩阵。
4. 蚁群算法主循环：
   • 每只蚂蚁随机选择起始城市，再依据信息素和距离计算转移概率，采用轮盘赌的方式选择下一个城市，从而构建完整的路径。
   • 计算每只蚂蚁路径的总距离，更新最优解。
   • 按照信息素挥发和增加规则更新信息素矩阵。
5. 绘制最优路线：将最优路线首尾相连，然后绘制出城市和最优路线。

运行这段代码后，你会看到 50 个城市的最优旅行路线以及对应的总距离。

% 随机生成 50 个城市的坐标
numCities = 50;
cities = rand(numCities, 2);

% 计算城市之间的距离矩阵
distMatrix = pdist2(cities, cities);

% 蚁群算法参数设置
numAnts = 50; % 蚂蚁数量
numIterations = 200; % 迭代次数
alpha = 1; % 信息素重要程度因子
beta = 5; % 启发式因子
rho = 0.5; % 信息素挥发因子
Q = 100; % 信息素增加强度系数

% 初始化信息素矩阵
pheromoneMatrix = ones(numCities, numCities);

% 初始化最优解
bestRoute = [];
bestDistance = Inf;

% 蚁群算法主循环
for iter = 1:numIterations
    % 初始化所有蚂蚁的路径
    allRoutes = zeros(numAnts, numCities);
    allDistances = zeros(numAnts, 1);
    
    % 每只蚂蚁构建路径
    for ant = 1:numAnts
        % 随机选择起始城市
        currentCity = randi(numCities);
        unvisitedCities = setdiff(1:numCities, currentCity);
        route = currentCity;
        
        % 依次选择下一个城市
        for i = 2:numCities
            % 计算转移概率
            probabilities = (pheromoneMatrix(currentCity, unvisitedCities).^alpha) .* ((1./distMatrix(currentCity, unvisitedCities)).^beta);
            probabilities = probabilities / sum(probabilities);
            
            % 轮盘赌选择下一个城市
            nextCityIndex = randsample(length(unvisitedCities), 1, true, probabilities);
            nextCity = unvisitedCities(nextCityIndex);
            
            % 更新路径和未访问城市集合
            route = [route nextCity];
            unvisitedCities = setdiff(unvisitedCities, nextCity);
            currentCity = nextCity;
        end
        
        % 记录当前蚂蚁的路径和总距离
        allRoutes(ant, :) = route;
        allDistances(ant) = calculateTotalDistance(route, distMatrix);
    end
    
    % 更新最优解
    [minDistance, minIndex] = min(allDistances);
    if minDistance < bestDistance
        bestDistance = minDistance;
        bestRoute = allRoutes(minIndex, :);
    end
    
    % 更新信息素矩阵
    pheromoneMatrix = (1 - rho) * pheromoneMatrix;
    for ant = 1:numAnts
        route = allRoutes(ant, :);
        for i = 1:numCities - 1
            pheromoneMatrix(route(i), route(i + 1)) = pheromoneMatrix(route(i), route(i + 1)) + Q / allDistances(ant);
            pheromoneMatrix(route(i + 1), route(i)) = pheromoneMatrix(route(i + 1), route(i)) + Q / allDistances(ant);
        end
        pheromoneMatrix(route(numCities), route(1)) = pheromoneMatrix(route(numCities), route(1)) + Q / allDistances(ant);
        pheromoneMatrix(route(1), route(numCities)) = pheromoneMatrix(route(1), route(numCities)) + Q / allDistances(ant);
    end
end

% 回到起始城市
bestRoute = [bestRoute bestRoute(1)];

% 绘制最优路线
figure;
hold on;
plot(cities(:, 1), cities(:, 2), 'ko', 'MarkerSize', 5, 'LineWidth', 1); % 绘制城市
for j = 1:numCities
    startCity = bestRoute(j);
    endCity = bestRoute(j + 1);
    plot([cities(startCity, 1) cities(endCity, 1)], [cities(startCity, 2) cities(endCity, 2)], 'b-', 'LineWidth', 0.5);
end
title(sprintf('最优路线总距离: %.2f', bestDistance));
xlabel('X 坐标');
ylabel('Y 坐标');
hold off;

% 计算总距离的函数
function totalDistance = calculateTotalDistance(route, distMatrix)
    numCities = length(route);
    totalDistance = 0;
    for i = 1:numCities - 1
        totalDistance = totalDistance + distMatrix(route(i), route(i + 1));
    end
    totalDistance = totalDistance + distMatrix(route(numCities), route(1)); % 回到起始城市
end