细菌觅食算法路径优化代码

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

%*********************细菌觅食算法**********************

%%%%%%%%%%%%%%%%%%%-----BFA算法-----%%%%%%%%%%%%%%%%%%% clear; clc;

%-----(1)初始化参数-----

bounds = [-5.12 5.12;-5.12 5.12]; % 函数变量范围 p = 2; % 搜索范围的维度 s = 26; % 细菌的个数 Nc = 50; % 趋化的次数

Ns = 4; % 趋化操作中单向运动的最大步数

C(:,1) = 0.001*ones(s,1); % 翻转选定方向后，单个细菌前进的步长 Nre = 4; % 复制操作步骤数 Ned = 2; % 驱散(迁移)操作数 Sr = s/2; % 每代复制（分裂）数 Ped = 0.25; % 细菌驱散(迁移)概率

d_attract = 0.05; % 吸引剂的数量

ommiga_attract = 0.05; % 吸引剂的释放速度

广西工学院2008届毕业设计论文

摘 要

供货小车的路径优化是企业降低成本,提高经济效益的有效手段,供货小车路径优化问题可以看成是一类车辆路径优化问题。

本文对供货小车路径优化问题进行研究，提出了一种解决带单行道约束的车辆路径优化问题的方法。首先，建立了供货小车路径优化问题的数学模型，介绍了图论中最短路径的算法—Floyd算法，并考虑单行道的约束，利用该算法求得任意两点间最短距离以及到达路径，从而将问题转化为TSP问题，利用遗传算法得到带单行道约束下的优化送货路线，并且以柳州市某区域道路为实验，然后仿真，结果表明该方法能得到较好的优化效果。最后对基本遗传算法采用优先策略进行改进，再对同一个供货小车路径网进行实验仿真，分析仿真结果，表明改进遗传算法比基本遗传算法能比较快地得到令人满意的优化效果。

关键字:路径优化 遗传算法 Floyd算法

1

广西工学院2008届毕业设计论文

Abstract

The Path Optimization of Goods Supply Car is the effective way to reduce business costs and enhance eco

车辆路径问题优化算法

美国物流管理学会(Council of Logistics Management，CLM)对物流所作的定义为：“为符合顾客的需要，对原料、制造过程中的存货与制成品以及相关信息，从其起运点至最终消费点之间，做出的追求效率与成本效果的计划、执行与控制过程。”

而有关资料显示，物流配送过程(包含仓储、分拣、运输等)的成本构成中，运输成本占到52%之多。因此，如何在满足客户适当满意度的前提下，将配送的运输成本合理地降低，成为一个紧迫而重要的研究课题，车辆路径问题正是基于这一需求而产生的。

2.1车辆路径问题的定义

车辆路径问题可以描述为：给定一组有容量限制的车辆的集合、一个物流中心（或供货地）、若干有供货需求的客户，组织适当的行车路线，使车辆有序地通过所有的客户，在满足一定的约束条件（如需求量、服务时间限制、车辆容量限制、行驶里程限制等）下，达到一定的目标（如路程最短、费用极小、时间尽量少、使用车辆数尽量少等）。[4]

因此研究车辆的路径问题，就是要研究如何安排运输车辆的行驶路线，使运输车辆依照最短的行驶路径或最短的时间费用，依次服务于每个客户后返回起点，总的运输成本实现最小。

车辆路径问题已被证明是NP-Hard问

收稿日期：２０１１唱０１唱１７；修回日期：２０１１唱０４唱２６ 基金项目：国家自然科学基金资助项目（６０９６２００６）

作者简介：乔英（１９８２唱），女（土族），青海乐都人，讲师，主要研究方向为多目标进化算法及其应用（ｊｉａｎｇｑｉａｏｙｏｎｇ＠１２６．ｃｏｍ）；高岳林（１９６３唱），男，陕西榆林人，教授，博士，主要研究方向为最优化理论方法及应用、智能计算与智能信息处理、金融数学与金融工程；江巧永（１９８３唱），男，浙江温岭人，硕士研究生，主要研究方向为多目标进化算法及其应用．

基于细菌觅食行为的多目标分布估计算法 倡

乔 英，高岳林，江巧永

（北方民族大学信息与系统科学研究所，银川７５００２１）

摘 要：为增强多目标分布估计算法（ＭＥＤＡ）的局部搜索能力，将细菌的觅食（ＢＦ）行为引入到多目标分布估计算法中，提出一种基于细菌觅食行为的多目标分布估计算法（ＭＥＤＡ唱ＢＦ）。数值实验选取四个常用测试函数，并与ＮＳＧＡ唱ＩＩ、ＭＥＤＡ两个多目标算法进行比较，结果表明ＭＥＤＡ唱ＢＦ算法在收敛性和多样性两方面都有较好的性能。

关键词：多目标优化；分布估计；局部搜索；细菌觅食中图分类号：ＴＰ１８ 文献标志码：Ａ 文章编号：１００１唱３６９５

人工蚂蚁算法

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

function [x,y, minvalue] = AA(func)

% Example [x, y,minvalue] = AA('Foxhole') clc; tic;

subplot(2,2,1); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% plot 1 draw(func);

title([func, ' Function']); %初始化各参数

Ant=100;%蚂蚁规模 ECHO=200;%迭代次数

step=0.01*rand(1);%局部搜索时的步长 temp=[0,0]; %各子区间长度 start1=-100; end1=100; start2=-100; end2=100;

Len1=(end1-start1)/Ant; Len2=(end2-start2)/Ant; %P = 0.2;

%初始化蚂蚁位置

for i=1:Ant

人工蚂蚁算法

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%

function [x,y, minvalue] = AA(func)

% Example [x, y,minvalue] = AA('Foxhole') clc; tic;

subplot(2,2,1); %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% plot 1 draw(func);

title([func, ' Function']); %初始化各参数

Ant=100;%蚂蚁规模 ECHO=200;%迭代次数

step=0.01*rand(1);%局部搜索时的步长 temp=[0,0]; %各子区间长度 start1=-100; end1=100; start2=-100; end2=100;

Len1=(end1-start1)/Ant; Len2=(end2-start2)/Ant; %P = 0.2;

%初始化蚂蚁位置

for i=1:Ant

1 粒子群优化算法 计算车辆路径问题

摘要

粒子群优化算法中,粒子群由多个粒子组成,每个粒子的位置代表优化问题在D 维搜索空间中潜在的解。根据各自的位置,每个粒子用一个速度来决定其飞行的方向和距离,然后通过优化函数计算出一个适应度函数值(fitness)。粒子是根据如下三条原则来更新自身的状态:(1)在飞行过程中始终保持自身的惯性;(2)按自身的最优位置来改变状态;(3)按群体的最优位置来改变状态。本文主要运用运筹学中粒子群优化算法解决车辆路径问题。车辆路径问题 由Dan tzig 和Ram ser 于1959年首次提出的, 它是指对一系列发货点(或收货点) , 组成适当的行车路径, 使车辆有序地通过它们, 在满足一定约束条件的情况下, 达到一定的目标(诸如路程最短、费用最小, 耗费时间尽量少等) , 属于完全N P 问题, 在运筹、计算机、物流、管理等学科均有重要意义。粒子群算法是最近出现的一种模拟鸟群飞行的仿生算法, 有着个体数目少、计算简单、鲁棒性好等优点, 在各类多维连续空间优化问题上均取得非常好的效果。本文将PSO 应用于车辆路径问题求解中, 取得了很好的效果。

针对本题，一个中心仓库、7个需求点、中心有3辆车，容量均为1，由这三辆车向7

本科毕业设计说明书（论文）

1 绪论

1.1 研究背景和意义

第 1 页 共 25 页

当今社会的经济、科技快速发展，面临着很多复杂的非线性系统和快速反应系统这使得我们传统的优化方法在解决这类问题上渐渐乏力。于是，人们开始寻找更快、更好的方法去解决这些复杂问题。如今，引入自然界的规律来解决建模和解决复杂的优化问题变得越来越流行，这主要是由于经典算法在解决较大规模的组合或高度非线性优化问题的效率十分低下。目前的情况是解决整数或离散决策变量线性优化模型在大多数情况下没有太大的区别。这些的主要原因之一是经典的优化算法在给定问题的解决方案缺乏灵活性。一般情况下，一个给定的问题在这样种方式下是仿照一个经典的算法，如单纯形算法。这通常需要做出几个假设以验证在很多情况下这是不容易实现的。为了克服这些限制，设计更灵活的适应性算法是非常迫切的。由于这种情况，科研人员提出了很多的元启发式算法，如禁忌搜索算法、蚁群算法、遗传算法等。研究表明，这些算法可以比经典算法提供更好的解决方案。自然启发算法的一个分支，被称为群体智能，目的是发展元启发式算法以解决昆虫问题。蜂群算法是一种相对较新的群智能算法。蜂群算法试图模拟自然界蜜蜂的采蜜行为。蜜蜂使用多种

用ACO 算法求解机器人路径优化问题

4.1 问题描述

移动机器人路径规划是机器人学的一个重要研究领域。它要求机器人依据某个或某些优化原则(如最小能量消耗，最短行走路线，最短行走时间等)，在其工作空间中找到一条从起始状态到目标状态的能避开障碍物的最优路径。机器人路径规划问题可以建模为一个有约束的优化问题，都要完成路径规划、定位和避障等任务。

4.2 算法理论

蚁群算法（Ant Colony Algorithm，ACA），最初是由意大利学者Dorigo M. 博士于1991 年首次提出，其本质是一个复杂的智能系统，且具有较强的鲁棒性，优良的分布式计算机制等优点。该算法经过十多年的发展，已被广大的科学研究人员应用于各种问题的研究，如旅行商问题，二次规划问题，生产调度问题等。但是算法本身性能的评价等算法理论研究方面进展较慢。

Dorigo 提出了精英蚁群模型（EAS），在这一模型中信息素更新按照得到当前最优解的蚂蚁所构造的解来进行，但这样的策略往往使进化变得缓慢，并不能取得较好的效果。次年Dorigo 博士在文献[30]中给出改进模型（ACS），文中

改进了转移概率模型，并且应用了全局搜索与局部搜索策略，来得进行深度搜索。 Stützle 与Hoo

用ACO 算法求解机器人路径优化问题

4.1 问题描述

移动机器人路径规划是机器人学的一个重要研究领域。它要求机器人依据某个或某些优化原则(如最小能量消耗，最短行走路线，最短行走时间等)，在其工作空间中找到一条从起始状态到目标状态的能避开障碍物的最优路径。机器人路径规划问题可以建模为一个有约束的优化问题，都要完成路径规划、定位和避障等任务。

4.2 算法理论

蚁群算法（Ant Colony Algorithm，ACA），最初是由意大利学者Dorigo M. 博士于1991 年首次提出，其本质是一个复杂的智能系统，且具有较强的鲁棒性，优良的分布式计算机制等优点。该算法经过十多年的发展，已被广大的科学研究人员应用于各种问题的研究，如旅行商问题，二次规划问题，生产调度问题等。但是算法本身性能的评价等算法理论研究方面进展较慢。

Dorigo 提出了精英蚁群模型（EAS），在这一模型中信息素更新按照得到当前最优解的蚂蚁所构造的解来进行，但这样的策略往往使进化变得缓慢，并不能取得较好的效果。次年Dorigo 博士在文献[30]中给出改进模型（ACS），文中

改进了转移概率模型，并且应用了全局搜索与局部搜索策略，来得进行深度搜索。 Stützle 与Hoo