1基本原理：
本质上也是一种概率算法，通过大概率收敛到最佳值，和其他的智能算法很相似。蚁群分泌的信息素存在正反馈，使得较佳的解
具有大概率被选到，当全局都选用较佳的解，变可以得到整体的最优解。
2几个关键点：
1） 概率选择：
受信息素浓度和启发函数影响，启发函数为距离的倒数
2）信息素挥发
考虑到信息素随时间的挥发，加入挥发因子
3程序设计步骤：
1初始化各个参数：包括各点的距离，信息素的初始浓度，蚂蚁数量，信息素挥发因子，
信息素和启发函数的重要度因子，启发函数，最大迭代次数，路径记录表等等
2迭代：对每个蚂蚁随机制定初始值，再根据概率选择，选择出每只蚂蚁的路径，确定每只蚂蚁的路径总长度，
以及蚁群的最佳路径长度和平均长度，并对信息素进行更新。
3展示：展示出最佳路径，以及最佳路径对迭代的变化图
4Matlab代码
clc,clear %清空环境中的变量load data.txt %读入城市的坐标t0 = clock; %程序计时开始%%%%%%%%%%%%%%%%%%%%%初始化%%%%%%%%%%%%%%%%%city=data;n = size(city,1); %城市距离初始化D = zeros(n,n); for i = 1:n for j = 1:n if i ~= j D(i,j) = sqrt(sum((city(i,:) - city(j,:)).^2)); else D(i,j) = 0; %设定的对角矩阵修正值 end end endm=30; %蚂蚁数量alpha = 1; % 信息素重要程度因子beta = 5; % 启发函数重要程度因子v = 0.1; % 信息素挥发因子Q = 0.5; % 信息因子常系数H= 1./D; % 启发函数T= ones(n,n); % 信息素矩阵Table = zeros(m,n); % 路径记录表iter = 1; % 迭代次数初值iter_max = 50; % 最大迭代次数 best_route = zeros(iter_max,n); % 各代最佳路径 best_length = zeros(iter_max,1); % 各代最佳路径的长度 %%while iter<=iter_max % 随机产生每只蚂蚁的起点城市 start = zeros(m,1); for i = 1:m temp = randperm(n); start(i) = temp(1); end Table(:,1) = start; city_index=1:n; for i = 1:m % 逐个城市路径选择 for j = 2:n tabu = Table(i,1:(j - 1)); % 已访问的城市集合 allow =city_index( ~ismember(city_index,tabu)); % 筛选出未访问的城市集合 P = zeros(1,length(allow)); % 计算相连城市的转移概率 for k = 1:length(allow) P(k) = T(tabu(end),allow(k))^alpha * H(tabu(end),allow(k))^beta; end P = P/sum(P); % 轮盘赌法选择下一个访问城市 Pc = cumsum(P); %参加说明2(程序底部) target_index = find(Pc >= rand); target = allow(target_index(1)); Table(i,j) = target; end end % 计算各个蚂蚁的路径距离 Length = zeros(m,1); for i = 1:m Route = [Table(i,:) Table(i,1)]; for j = 1:n Length(i) = Length(i) + D(Route(j),Route(j + 1)); end end %对最优路线和距离更新 if iter == 1 [min_length,min_index] = min(Length); best_length(iter) = min_length; best_route(iter,:) = Table(min_index,:); else [min_length,min_index] = min(Length); if min_length
程序说明：采用蚁群算法求取TSP问题，共有34个城市，从txt文件加载数据：
运行结果：
