5-ACO+BFO算法（蚁群算法+细菌觅食算法）的栅格路径寻优计算

Halcom

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：

1. % ACO+BFO混合算法
   
2. clc,clear,close all
   
3. warning off
   
4. %% MAP
   
5. load('data2.mat');
   
6. K = 4;             % 与节点自身相连的节点数
   
7. [x,y,A,dij, citynum,a,b] = init_map(data2,K);
   
8. %% 目标
   
9. startpoint=39;  % 起始节点
   
10. endpoint=18;    % 终止节点
    
11. %% BFO优化算法 参数
    
12. % maxiter = 100;             % 最大迭代次数
    
13. sizepop = 20;              % 种群数量
    
14. Nc = 20;                   % 趋化次数
    
15. Ns = 4;                    % 游动次数
    
16. Nre = 2;                   % 复制次数
    
17. Ned = 2;                   % 驱散(迁移)次数
    
18. Sr = ceil( sizepop/2 );    % 复制（分裂）次数
    
19. Ped = 0.25;                % 细菌驱散(迁移)概率
    
20. 
    
21. nvar = 3;              % 3个未知量 --- 起始节点到目标节点之间找3个点出来
    
22. popmin = [1, 1, 1];    % x 下限
    
23. popmax = [51, 51, 51]; % x 上限
    
24. Cmin = -1;  % 最小步长
    
25. Cmax = 1;   % 最大步长
    
26. C(:,1:nvar) = 1*ones(sizepop,nvar);            % 翻转选定方向后，单个细菌前进的步长
    
27. %% ACO算法参数
    
28. Rou = 0.8;     % 信息素增量强度
    
29. P0 = 0.1;      % 转移概率
    
30. %% 初始化种群
    
31. for i=1:sizepop
    
32.     pop(i,:) = round(popmin + (popmax-popmin).*rand(1,nvar));                        % 初始化个体
    
33.     [path{i}, fitness(i)] = fun_dijkstra([startpoint, pop(i,:), endpoint], A, dij );     % 适应度值
    
34.     C(i,:) = Cmin + (Cmax-Cmin).*rand(1,nvar);  % 步长
    
35. end
    
36. %% 记录一组最优值
    
37. [bestfitness,bestindex]=min(fitness);  % 越小越好
    
38. zbest.pop = pop(bestindex,:);   % 全局最佳
    
39. fitnesszbest=bestfitness; % 全局最佳适应度值
    
40. NcSizepop = 0;            % 记录最优适应度值（函数值）
    
41. zbest.path = path{bestindex};   % 全局最佳个体对应的 最优路径
    
42. %% 迭代寻优
    
43. for i = 1:Ned                   % 驱散(迁移)次数
    
44.     for k = 1:Nre               % 复制次数
    
45.         
    
46.         for m = 1:Nc            % 趋化次数
    
47.             % ACO算法
    
48.             lamda = 1/(Ned*Nre*Nc);        % 信息素挥发因子
    
49.             [bestfit,flag] =min(fitness);
    
50.             for j=1:sizepop
    
51.                 Pt(j) = (fitness(j)-bestfit)./bestfit;
    
52.             end
    
53.             
    
54.             for j=1:sizepop     % 种群
    
55.                 % ACO
    
56.                 % 转移概率值
    
57.                 if Pt(j)<P0
    
58.                     pop(j,:) = round( pop(j,:) + (2*rand-1)*lamda/2 );
    
59.                 else
    
60.                     pop(j,:) = round( pop(j,:) + (popmax-popmin).*(rand(1,nvar)-0.5) );
    
61.                 end
    
62.                 pop(j,:) = lb_ub(pop(j,:), popmin, popmax);   % 越界限制--取值范围约束
    
63.                 pop1 = pop(j,:);
    
64.                 [path1, fitness1] = fun_dijkstra( [startpoint, pop(j,:), endpoint], A, dij );
    
65.                
    
66.                 % BFO
    
67.                 % 翻转
    
68.                 delta = 5*rand(1,nvar)-0.5;
    
69.                 pop(j,:) = round( pop(j,:) + C(j,:).*delta./(sqrt( delta*delta' )) );
    
70.                 pop(j,:) = lb_ub(pop(j,:), popmin, popmax);   % 越界限制--取值范围约束
    
71.                 pop2 = pop(j,:);
    
72.                 [path2, fitness2] = fun_dijkstra( [startpoint, pop(j,:), endpoint], A, dij );
    
73.                
    
74.                 % 更新当前适应度值
    
75.                 if fitness1<fitness2
    
76.                     pop(j,:) = pop1;
    
77.                 else
    
78.                     pop(j,:) = pop2;
    
79.                 end
    
80.                 % BFO
    
81. %                 [path{j}, fitness(j)] = fun_dijkstra( [startpoint, pop(j,:), endpoint], A, dij );
    
82.                 % ACO
    
83.                 [path{j}, fitness3] = fun_dijkstra( [startpoint, pop(j,:), endpoint], A, dij );
    
84.                 fitness(j) = (1-Rou)*fitness(j) + fitness3;
    
85.                
    
86.                 % 适应度更新
    
87.                 % 比较 个体间比较
    
88.                 if fitness(j)<bestfitness
    
89.                     bestfitness = fitness(j);
    
90.                     zbest.pop = pop(j,:);
    
91.                     zbest.path = path{j};   % 最优解对应的最优路径
    
92.                 end
    
93.             end   % sizepop  种群数量
    
94.             
    
95.             % 记录最优适应度值
    
96.             NcSizepop = NcSizepop+1;
    
97.             fitness_iter(NcSizepop) = bestfitness;
    
98.         end       % Nc       趋化次数
    
99.         
    
100.         % 复制操作
     
101.         [maxF, index] = sort(fitness,'descend');  % 降序排列
     
102.         for Nre2 = 1:Sr   % 将最大适应度值的Sr个种群，进行更新
     
103.             pop(index(Nre2),:) = round(popmin + (popmax-popmin).*rand(1,nvar));
     
104.             [path{index(Nre2)}, fitness(index(Nre2))] = fun_dijkstra([startpoint, pop(index(Nre2),:), endpoint], A, dij );
     
105.             C(index(Nre2),1) = Cmin + (Cmax-Cmin)*rand;  % 步长
     
106.             % 比较 个体间比较
     
107.             if fitness(index(Nre2))<bestfitness
     
108.                 bestfitness = fitness(index(Nre2));
     
109.                 zbest.pop =  pop(index(Nre2),:);
     
110.                 zbest.path =  path{index(Nre2)};   % 最优解对应的最优路径
     
111.             end
     
112.         end
     
113.     end   % Nre  复制操作
     
114.    
     
115.     for j=1:sizepop     % 种群
     
116.         if Ped>rand
     
117.             pop(j,:) = round(popmin + (popmax-popmin).*rand(1,nvar));
     
118.             [path{j}, fitness(j)] = fun_dijkstra([startpoint, pop(j,:), endpoint], A, dij );
     
119.             % 比较 个体间比较
     
120.             if fitness(j)<bestfitness
     
121.                 bestfitness = fitness(j);
     
122.                 zbest.pop =  pop(j,:);
     
123.                 zbest.path =  path{j};   % 最优解对应的最优路径
     
124.             end
     
125.         end
     
126.     end
     
127.    
     
128. end       % Ned   驱散(迁移)次数
     
129. %% 结果展示
     
130. disp('最优解')
     
131. disp(zbest.pop)
     
132. fprintf('\n')
     
133. 
     
134. disp('最优解对应的最优路径')
     
135. disp(zbest.path)
     
136. fprintf('\n')
     
137. 
     
138. fprintf('最优个体')
     
139. zbest
     
140. 
     
141. figure('color',[1,1,1])
     
142. plot(fitness_iter,'ro-','linewidth',2)
     
143. % loglog(fitness_iter,'ro-','linewidth',2)
     
144. axis tight
     
145. grid on
     
146. 
     
147. %% 绘图
     
148. figure(3)
     
149. colormap([0 0 0;1 1 1]),pcolor(0.5:size(a,2)+0.5,0.5:size(a,1)+0.5,b)
     
150. hold on
     
151. % 节点网络结构初始化
     
152. for i=1:citynum
     
153.     plot(x(i)+0.5,y(i)+0.5,'ro','MarkerEdgeColor','r','MarkerFaceColor','g','markersize',8);
     
154.     hold on;
     
155.     text(x(i)+0.5,y(i)+0.5+0.2,num2str(i),'Color',[1 0 0]);
     
156. end
     
157. % 连线
     
158. for i=1:length(zbest.path)-1
     
159.     plot([x(zbest.path(i))+0.5,x(zbest.path(i+1))+0.5],[y(zbest.path(i))+0.5,y(zbest.path(i+1))+0.5],'b-','MarkerEdgeColor','r','MarkerFaceColor','g','markersize',8,'linewidth',2);
     
160. end
     
161. axis tight;
     
162. axis off;
     
163. hold off

复制代码

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

cclxxl

ACO+BFO算法（蚁群算法+细菌觅食算法）的栅格路径寻优计算

wdd123456

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

agjing110

好好学习，新手多指教，谢谢

agjing110

好好学习，新手多指教，谢谢

wk1352

新手学习，十分感谢！

wk1352

学习路径优化，十分感谢

wk1352

好好学习，新手多指教，谢谢

virtualccc

学习支持！！！！！！！！！！

mingleQ

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