5-ACO+BFO算法（蚁群算法+细菌觅食算法）的栅格路径寻优计算
5-ACO+BFO算法（蚁群算法+细菌觅食算法）的栅格路径寻优计算链接：https://pan.baidu.com/s/1m84BIliQPIWzQW_nPbp4tQ 密码：5x38
具体链接在halcom.cn论坛，联系人QQ：3283892722
该论坛是一个学习交流平台，我会逐一的和大家分享学习。
欢迎大家录制视频，你可在论坛进行打赏分享。
视频专用播放器：http://halcom.cn/forum.php?mod=viewthread&tid=258&extra=page%3D1
主程序如下：
% ACO+BFO混合算法
clc,clear,close all
warning off
%% MAP
load('data2.mat');
K = 4; % 与节点自身相连的节点数
= init_map(data2,K);
%% 目标
startpoint=39;% 起始节点
endpoint=18; % 终止节点
%% BFO优化算法 参数
% maxiter = 100; % 最大迭代次数
sizepop = 20; % 种群数量
Nc = 20; % 趋化次数
Ns = 4; % 游动次数
Nre = 2; % 复制次数
Ned = 2; % 驱散(迁移)次数
Sr = ceil( sizepop/2 ); % 复制（分裂）次数
Ped = 0.25; % 细菌驱散(迁移)概率
nvar = 3; % 3个未知量 --- 起始节点到目标节点之间找3个点出来
popmin = ; % x 下限
popmax = ; % x 上限
Cmin = -1;% 最小步长
Cmax = 1; % 最大步长
C(:,1:nvar) = 1*ones(sizepop,nvar); % 翻转选定方向后，单个细菌前进的步长
%% ACO算法参数
Rou = 0.8; % 信息素增量强度
P0 = 0.1; % 转移概率
%% 初始化种群
for i=1:sizepop
pop(i,:) = round(popmin + (popmax-popmin).*rand(1,nvar)); % 初始化个体
= fun_dijkstra(, A, dij ); % 适应度值
C(i,:) = Cmin + (Cmax-Cmin).*rand(1,nvar);% 步长
end
%% 记录一组最优值
=min(fitness);% 越小越好
zbest.pop = pop(bestindex,:); % 全局最佳
fitnesszbest=bestfitness; % 全局最佳适应度值
NcSizepop = 0; % 记录最优适应度值（函数值）
zbest.path = path{bestindex}; % 全局最佳个体对应的 最优路径
%% 迭代寻优
for i = 1:Ned % 驱散(迁移)次数
for k = 1:Nre % 复制次数
for m = 1:Nc % 趋化次数
% ACO算法
lamda = 1/(Ned*Nre*Nc); % 信息素挥发因子
=min(fitness);
for j=1:sizepop
Pt(j) = (fitness(j)-bestfit)./bestfit;
end
for j=1:sizepop % 种群
% ACO
% 转移概率值
if Pt(j)<P0
pop(j,:) = round( pop(j,:) + (2*rand-1)*lamda/2 );
else
pop(j,:) = round( pop(j,:) + (popmax-popmin).*(rand(1,nvar)-0.5) );
end
pop(j,:) = lb_ub(pop(j,:), popmin, popmax); % 越界限制--取值范围约束
pop1 = pop(j,:);
= fun_dijkstra( , A, dij );
% BFO
% 翻转
delta = 5*rand(1,nvar)-0.5;
pop(j,:) = round( pop(j,:) + C(j,:).*delta./(sqrt( delta*delta' )) );
pop(j,:) = lb_ub(pop(j,:), popmin, popmax); % 越界限制--取值范围约束
pop2 = pop(j,:);
= fun_dijkstra( , A, dij );
% 更新当前适应度值
if fitness1<fitness2
pop(j,:) = pop1;
else
pop(j,:) = pop2;
end
% BFO
% = fun_dijkstra( , A, dij );
% ACO
= fun_dijkstra( , A, dij );
fitness(j) = (1-Rou)*fitness(j) + fitness3;
% 适应度更新
% 比较 个体间比较
if fitness(j)<bestfitness
bestfitness = fitness(j);
zbest.pop = pop(j,:);
zbest.path = path{j}; % 最优解对应的最优路径
end
end % sizepop种群数量
% 记录最优适应度值
NcSizepop = NcSizepop+1;
fitness_iter(NcSizepop) = bestfitness;
end % Nc 趋化次数
% 复制操作
= sort(fitness,'descend');% 降序排列
for Nre2 = 1:Sr % 将最大适应度值的Sr个种群，进行更新
pop(index(Nre2),:) = round(popmin + (popmax-popmin).*rand(1,nvar));
= fun_dijkstra(, A, dij );
C(index(Nre2),1) = Cmin + (Cmax-Cmin)*rand;% 步长
% 比较 个体间比较
if fitness(index(Nre2))<bestfitness
bestfitness = fitness(index(Nre2));
zbest.pop =pop(index(Nre2),:);
zbest.path =path{index(Nre2)}; % 最优解对应的最优路径
end
end
end % Nre复制操作
for j=1:sizepop % 种群
if Ped>rand
pop(j,:) = round(popmin + (popmax-popmin).*rand(1,nvar));
= fun_dijkstra(, A, dij );
% 比较 个体间比较
if fitness(j)<bestfitness
bestfitness = fitness(j);
zbest.pop =pop(j,:);
zbest.path =path{j}; % 最优解对应的最优路径
end
end
end
end % Ned 驱散(迁移)次数
%% 结果展示
disp('最优解')
disp(zbest.pop)
fprintf('\n')
disp('最优解对应的最优路径')
disp(zbest.path)
fprintf('\n')
fprintf('最优个体')
zbest
figure('color',)
plot(fitness_iter,'ro-','linewidth',2)
% loglog(fitness_iter,'ro-','linewidth',2)
axis tight
grid on
%% 绘图
figure(3)
colormap(),pcolor(0.5:size(a,2)+0.5,0.5:size(a,1)+0.5,b)
hold on
% 节点网络结构初始化
for i=1:citynum
plot(x(i)+0.5,y(i)+0.5,'ro','MarkerEdgeColor','r','MarkerFaceColor','g','markersize',8);
hold on;
text(x(i)+0.5,y(i)+0.5+0.2,num2str(i),'Color',);
end
% 连线
for i=1:length(zbest.path)-1
plot(,,'b-','MarkerEdgeColor','r','MarkerFaceColor','g','markersize',8,'linewidth',2);
end
axis tight;
axis off;
hold off
参考：
【1】基于穷举法的机器人避障路径寻优（免费）
【2】智能车辆局部避障路径规划及横向运动控制研究_陈东
【3】3-PSO算法（粒子群算法）的栅格路径寻优计算
ACO+BFO算法（蚁群算法+细菌觅食算法）的栅格路径寻优计算 cclxxl 发表于 2018-10-15 18:56
ACO+BFO算法（蚁群算法+细菌觅食算法）的栅格路径寻优计算
新手学习路径优化，感谢分享 好好学习，新手多指教，谢谢 好好学习，新手多指教，谢谢 新手学习，十分感谢！ 学习路径优化，十分感谢 好好学习，新手多指教，谢谢 学习支持！！！！！！！！！！ cclxxl 发表于 2018-10-15 18:56
ACO+BFO算法（蚁群算法+细菌觅食算法）的栅格路径寻优计算
新手学习路径优化，感谢分享
页:
[1]
2