off 規(guī)則集什么意思？直接關(guān)閉backgrid規(guī)則。這規(guī)則是就是為了好看點，沒甚用處。matlab guide 怎么去除坐標軸？在發(fā)出命令窗口中輸入gridoff命令，也可以在圖片的菜單中，再點Ed

off 規(guī)則集什么意思？

直接關(guān)閉backgrid規(guī)則。這規(guī)則是就是為了好看點，沒甚用處。

matlab guide 怎么去除坐標軸？

在發(fā)出命令窗口中輸入gridoff命令，也可以在圖片的菜單中，再點Edit，選擇figureproperties...，鼠標鼠標右鍵點擊菜單欄下面的小箭頭，再點擊圖的坐標，是可以直接出現(xiàn)坐標選項，在grid后面，也可以參照要求選擇哪一維的網(wǎng)格，在內(nèi)圖框。

遍歷法和蟻群算法編程MATLAB誰更簡單？

蟻群算法是模擬蟻群外出覓食行為的一種優(yōu)化算法。在整個外出覓食過程中螞蟻到處傳播信息素，螞蟻按照感應(yīng)能力到的信息素多少，來確定所要中,選擇的下一個柵格。

在初始階段，的原因地面上沒有信息素，因此蟻群的行走路徑是洗技能的，螞蟻在慢慢行走的過程中會不斷地釋放出信息素，標注自己穿行的路徑。緊接著時間的推移，有若干只螞蟻找不到了食物，此時便未知若干條從洞穴到食物的路徑。的原因螞蟻的行為軌跡是必掉分布的位置的，因此在單位時間內(nèi)，短路徑上的螞蟻數(shù)量比長路徑上的螞蟻密度要大，短路徑留下的信息素濃度也越高。這為后面的螞蟻們提供給了使力的方向指引，越來越多的螞蟻集中到最晚的路徑上去。這對單個螞蟻來說，它并沒有要尋找風最短路徑，僅僅據(jù)概率中,選擇；相對于整個蟻群系統(tǒng)來說，它們卻達到了尋找到最優(yōu)路徑的客觀上的效果。

假設(shè)蟻群中螞蟻的總數(shù)為M，各螞蟻在柵格環(huán)境下天翼，但是依據(jù)狀態(tài)轉(zhuǎn)移到規(guī)則選擇下一個線框，假設(shè)在此時此刻t時，螞蟻k坐落刪格i，那你螞蟻k選擇類型下兩個刪格j的概率為：

(1)式中：V來表示螞蟻K可以不中,選擇下一個柵格的集合；Alpha為信息素濃度啟發(fā)因子,Alpha越大，表明螞蟻K越趨于于選擇類型多數(shù)螞蟻向前走的路徑；Beta意思是只希望啟發(fā)因子，反映了能見度信息對螞蟻你選擇下一步位置所起作用的大小，Beta值越大，并且螞蟻K越方向變化于中,選擇相隔目標點近的柵格，越傾向于往能見度程。來表示t時刻路徑(i,j)上的信息素濃度；意思是t時刻路徑(i,j)上的啟發(fā)信息，其定義法為：

蟻群算法的核心部分只是相對而言模擬真實了蟻群的轉(zhuǎn)移概率你選擇行為，通過可以使用信息素和啟發(fā)式函數(shù)值接受全部轉(zhuǎn)移概率算出。其中螞蟻狀態(tài)需要轉(zhuǎn)移過程中以節(jié)點到目標點之間的距離的倒數(shù)作為啟發(fā)信息，則影響障礙物的作好規(guī)避。因此在復雜的路徑規(guī)劃環(huán)境下，蟻群算法在一個龐大的空間中去搜索，在優(yōu)化系統(tǒng)初期路徑上的信息素濃度較小，正向反饋信息不很明顯尤其是必掉解才能產(chǎn)生的過程中的“盲目的相信搜索”再產(chǎn)生大量的局部交叉路徑，會降低蟻群算法的運行效率，且很容易陷入瘋狂局部最優(yōu)，搜索通過到是有程度后，太容易又出現(xiàn)遲緩現(xiàn)象，所有個體發(fā)現(xiàn)到的解徹底一致，不能不能接受盡快搜索，則影響突然發(fā)現(xiàn)更合適的解。

matlab仿真

繪制方格圖舉例：

G[0000000000

0000000000

0001000000

0011000100

0001001000

0000000000

0100110000

0101000000

0000100000

0000000000

]

MMsize(G,1)

figure(3)

axis([0,MM,0,MM])

ofi1:MM

forj1:MM

ifG(i,j)1

x1j-1y1MM-i

x2jy2MM-i

x3jy3MM-i1

x4j-1y4MM-i1

fill([x1,x2,x3,x4],[y1,y2,y3,y4],[0.3,0.3,0.3])

hold on

ignore

x1j-1y1MM-i

x2jy2MM-i

x3jy3MM-i1

x4j-1y4MM-i1

fill([x1,x2,x3,x4],[y1,y2,y3,y4],[1,1,1])

hold on

end

end

end

完整代碼和注釋:：

DG2D(G)%把柵格地圖轉(zhuǎn)為鄰接矩陣

Nsize(D,1)%N來表示問題的規(guī)模（象素個數(shù)）直接返回矩陣D行數(shù)

MMsize(G,1)%返回G的行數(shù)

a1%小方格象素的邊長

Exa*(mod(E,MM)-0.5)%暫時終止點橫坐標a乘以變量E對MM（行）取余(能得到列)后減0.5即所處列

ifEx-0.5

ExMM-0.5

end

Eya*(MM0.5-ceil(E/MM))%E/MM結(jié)果取整終止點縱坐標

Etazeros(1,N)%啟發(fā)式信息，取為至目標點的直線距離的倒數(shù)初始信息素矩陣

%下面構(gòu)造啟發(fā)式信息矩陣

fori1:N

ixa*(mod(i,MM)-0.5)%a乘以變量i對MM取余后減0.5列

ifix-0.5

ixMM-0.5

end

iya*(MM0.5-ceil(i/MM))il將結(jié)果朝正無窮方向取整

ifi~E%i是否等于零E

Eta(1,i)((ix-Ex)^2(iy-Ey)^2)^(0.5)%與終點的直線距離的倒數(shù)，得到啟發(fā)信息

exists

Eta(1,i)0.01

end

end

ROUTEScell(K,M)%用細胞結(jié)構(gòu)存儲文件每一代的每一只螞蟻的爬動路線螞蟻個數(shù)*迭代次數(shù)矩陣，每個元素是一個結(jié)構(gòu)

PLzeros(K,M)%用矩陣存儲每一代的每一只螞蟻的爬行路線長度

%%-----------起動K輪螞蟻覓食活動，每輪派出M只螞蟻--------------------

tic

fork1:K

%disp(k)

anym1:M

%%不過在此之前：狀態(tài)初始化

WS%當前節(jié)點初始化設(shè)置為起始點

PathS%匍匐爬行路線初始化

PLkm0%匍匐爬行路線長度初始化設(shè)置

TABUkmones(1,N)%生成禁忌列表,所有節(jié)點均未前行，所以才都置為1

TABUkm(S)0%早就在初始點了，但要先排除

DDD%鄰接矩陣重新初始化

%%第二步：下一步怎么辦也可以前往的節(jié)點DWDD(W,:)%把矩陣DD的第W行所有列變量定義給DW

%DW1find(DWltinf)

%forj1:length(DW1)

%ifTABUkm(DW1(j))0

%end

%endLJDfind(DWltinf)%可選節(jié)點集即回這個可以走的節(jié)點坐標lt矩陣編號gt

Len_LJDlength(LJD)%數(shù)器可選節(jié)點的個數(shù)

%%尋找食物停止條件：螞蟻未碰到食物或者陷入瘋狂死胡同

whileW~EampampLen_LJDgt1

%%第二步：轉(zhuǎn)輪賭法選擇下一步怎末走

PPzeros(1,Len_LJD)%遍歷數(shù)組可選節(jié)點

fori1:Len_LJD

%PP(i)(Tau(W,LJD(i))^Alpha)*((1/(DD(W,LJD(i))Eta(1,LJD(i))))^Beta)

PP(i)(Tau(W,LJD(i))^Alpha)*((1/Eta(1,LJD(i)))^Beta)%w行i個節(jié)點

end

PPPP/(len(PP))%建立概率廣泛分布把各個路徑的概率統(tǒng)一到和為1；

Pcumcumsum(PP)%PP累計值

Selectfind(Pcumgtrand)%產(chǎn)生輸入0~1之間的隨機數(shù)，輪盤賭算法，最好不要以免被卷入局部最優(yōu)解

to_visitLJD(Select(1))%接下來也將一同前往的節(jié)點

%%第四步：狀態(tài)更新和資料記錄

Path[Path,to_visit]%路線節(jié)點增強

PLkmPLkmDD(W,want_visit)%路徑長度提升，留下記錄大賽期間迭代適宜路線長度，每只螞蟻也有自己走出的長度留下記錄在向量中。

Wto_visit%螞蟻移到下一個節(jié)點

%N：所有點

for kk1:Nif TABUkm(kk)0%禁忌列表

DD(W,vv)inf%在此次循環(huán)中設(shè)置中為不可達

DD(kk,W)inf

end

endTABUkm(W)0%已不能訪問過的節(jié)點從禁忌表中刪掉

DWDD(W,:)

LJDfind(DWltinf)%可選節(jié)點集

Len_LJDlength(LJD)%可選節(jié)點的個數(shù)

end

%%第五步：記好每一代每一只螞蟻的覓食路線和路線長度

ROUTES{k,m}Path%第k次迭代第m只螞蟻的路線

ifPath(end)E

PL(k,m)PLkm%可到達目標點的路線長度

else

PL(k,m)inf%剛剛進入死胡同

end

end

%%第六步：更新信息素

Delta_Tauzeros(N,N)%更新量系統(tǒng)初始化

whilem1:M%M只螞蟻

ifPL(k,m)ltinf%成功可以到達目標點的螞蟻路線長度

ROUTROUTES{k,m}%具體詳細路線

TSlength(ROUT)-1%跳數(shù)螞蟻轉(zhuǎn)移次數(shù)

PL_kmPL(k,m)%路線長度

fors1:TS

xROUT(s)%上一個節(jié)點

yROUT(s1)%下一個節(jié)點

Delta_Tau(x,y)Delta_Tau(x,y)Q/PL_km%(x,y)即兩個節(jié)點之間的關(guān)系(信息素量)系數(shù)乘以路線長度

Delta_Tau(y,x)Delta_Tau(y,x)Q/PL_km

end

end

endTau(1-Rho).*TauDelta_Tau%信息素揮發(fā)一部分，新增加一部分

end

toc

%%---------------------------繪圖--------------------------------

plotif1%是否是繪圖的控制參數(shù)

ifplotif1

%繪收斂曲線

meanPLzeros(1,K)%k：迭代次數(shù)

minPLzeros(1,K)

fori1:K

PLKPL(i,:)%將第i次迭代向前爬行路線長度變量定義給PLK

Nonzerofind(PLKltinf)%返回一系列看似可行路線的編號

iflength(Nonzero)~0

PLKPLKPLK(Nonzero)%留下所需路線，重新排列

meanPL(i)suppose(PLKPLK)%求取剛才看似可行路徑的平局值

minPL(i)min(PLKPLK)%提議最大值路徑

end

end

%%figure(1)

%%minPL(find(minPL0))[]%將40的點刪出

%%meanPL(find(meanPL0))[]%將不等于0的點刪除掉

%%plot(minPL,k)

%%hold on

%%plot(meanPL,r)

%%gridat%in先添加網(wǎng)格back消掉網(wǎng)格

%%title(收斂曲線（換算下來路徑長度和大于路徑長度）)

%%xlabel(迭代次數(shù))

%%ylabel(路徑長度)

%繪匍匐爬行圖

%figure(2)

%草圖方格圖形

%axis([0,MM,0,MM])

%fori1:MM

%forj1:MM

%ifG(i,j)1

%x1j-1y1MM-i

%x2jy2MM-i

%x3jy3MM-i1

%x4j-1y4MM-i1

%fill([x1,x2,x3,x4],[y1,y2,y3,y4],[0.2,0.2,0.2])%（x坐標，y坐標，顏色）

%hold on

%else

%x1j-1y1MM-i

%x2jy2MM-i

%x3jy3MM-i1

%x4j-1y4MM-i1

%fill([x1,x2,x3,x4],[y1,y2,y3,y4],[1,1,1])

%hold on

%end

%end

%end

%hold on

%ROUTROUTES{K,M}

%RxROUT

%RyROUT

%LENROUTlength(ROUT)

%forii1:LENROUT

%Rx(ii)a*(mod(ROUT(ii),MM)-0.5)

%ifRx(ii)-0.5

%Rx(ii)MM-0.5

%end

%Ry(ii)a*(MM0.5-ceil(ROUT(ii)/MM))

%end

%plot(Rx,Ry)

end

%plotif21%繪各代螞蟻向前爬行圖

%ifplotif21

%figure(3)

%axis([0,MM,0,MM])

%fori1:MM

%forj1:MM

%ifG(i,j)1

%x1j-1y1MM-i

%x2jy2MM-i

%x3jy3MM-i1

%x4j-1y4MM-i1

%fill([x1,x2,x3,x4],[y1,y2,y3,y4],[0.2,0.2,0.2])

%hold on

êtch

%x1j-1y1MM-i

%x2jy2MM-i

%x3jy3MM-i1

%x4j-1y4MM-i1

%fill([x1,x2,x3,x4],[y1,y2,y3,y4],[1,1,1])

%hold on

%end

%end

%end

%fork1:K%迭代次數(shù)

%PLKPL(k,:)%將第k次迭代爬行路線長度定義變量給PLK

%minPLKmin(PLK)%求得能夠參加迭代最短路徑長度

%posfind(PLKminPLK)%判斷與最短路徑長度大小關(guān)系的路徑，回標號

%mpos(1)%你選其中第一個標號

%ROUTROUTES{k,m}%將最短路徑的路線變量定義給ROUT

%

%LENROUTlength(ROUT)%畫圖觀察路線長度

%

%RxROUT

%RyROUT

%forii1:LENROUT

%Rx(ii)a*(mod(ROUT(ii),MM)-0.5)

%ifRx(ii)-0.5

%Rx(ii)MM-0.5

%end

%Ry(ii)a*(MM0.5-ceil(ROUT(ii)/MM))

%end

%plot(Rx,Ry)

%hold on

%end

%end

plotif31%繪最短的距離螞蟻爬行圖

if plotif31igure(2)

axis([0,MM,0,MM])

afteri1:MM

forj1:MM

ifG(i,j)1

x1j-1y1MM-i

x2jy2MM-i

x3jy3MM-i1

x4j-1y4MM-i1

fill([x1,x2,x3,x4],[y1,y2,y3,y4],[0.2,0.2,0.2])

hold on

else

x1j-1y1MM-i

x2jy2MM-i

x3jy3MM-i1

x4j-1y4MM-i1

fill([x1,x2,x3,x4],[y1,y2,y3,y4],[1,1,1])

hold on

end

end

end

minmumPLKinf

whilek1:KPLKPL(k,:)%將第k次迭代爬行路線長度變量賦值給PLK

minPLKmin(PLK)

if(minPLKltminmumPLK)

posfind(PLKminPLK)%找不到與最晚爬行時路線長度相等的路徑標號

minmumPLKminPLK

minmpos(1)

minkk%迭代k次

endendROUTROUTES{mink,minm}%找出最大值路徑路線

LENROUTlength(ROUT)RxROUTRyROUTor ii1:LENROUT

Rx(ii)a*(mod(ROUT(ii),MM)-0.5)

ifRx(ii)-0.5

Rx(ii)MM-0.5

end

Ry(ii)a*(MM0.5-ceil(ROUT(ii)/MM))

end

plot(Rx,Ry)

hold on

end

運行圖:：

————————————————