无约束连续函数优化的人工蚁群算法通用MATLAB源码

此源码是对人工蚁群算法的一种实现，用于无约束连续函数的优化求解，对于含有约束的情况，可以先使用罚函数等方法，把问题处理成无约束的模型，再使用本源码进行求解。

function [BESTX,BESTY,ALLX,ALLY]=ACOUCP(K,N,Rho,Q,Lambda,LB,UB)
%% Ant Colony Optimization for Unconstrained Continuous Problem
%% ACOUCP.m
%% 无约束连续函数的蚁群优化算法
%% 此函数实现蚁群算法，用于求解无约束连续函数最小化问题
%% 对于最大化问题，请先将其加负号转化为最小化问题
%  GreenSim团队原创作品，转载请注明
%  GreenSim团队长期从事算法设计、代写程序等业务
%  欢迎访问GreenSim——算法仿真团队→[url=http://blog.sina.com.cn/greensim]http://blog.sina.com.cn/greensim[/url]
%% 输入参数列表
% K        迭代次数
% N        蚁群规模
% Rho      信息素蒸发系数，取值0～1之间，推荐取值0.7～0.95
% Q        信息素增加强度，大于0，推荐取值1左右
% Lambda   蚂蚁爬行速度，取值0～1之间，推荐取值0.1～0.5
% LB       决策变量的下界，M×1的向量
% UB       决策变量的上界，M×1的向量
%% 输出参数列表
% BESTX    K×1细胞结构，每一个元素是M×1向量，记录每一代的最优蚂蚁
% BESTY    K×1矩阵，记录每一代的最优蚂蚁的评价函数值
% ALLX     K×1细胞结构，每一个元素是M×N矩阵，记录每一代蚂蚁的位置
% ALLY     K×N矩阵，记录每一代蚂蚁的评价函数值
%% 测试函数设置
% 测试函数用单独的子函数编写好，在子函数FIT.m中修改要调用的测试函数名即可
% 注意：决策变量的下界LB和上界UB，要与测试函数保持一致
%% 参考设置
% [BESTX,BESTY,ALLX,ALLY]=ACOUCP(50,30,0.95,1,0.5,LB,UB)

%% 第一步：初始化
M=length(LB);%决策变量的个数
%蚁群位置初始化
X=zeros(M,N);
for i=1:M
    x=unifrnd(LB(i),UB(i),1,N);
    X(i,:)=x;
end
%输出变量初始化
ALLX=cell(K,1);%细胞结构，每一个元素是M×N矩阵，记录每一代的个体
ALLY=zeros(K,N);%K×N矩阵，记录每一代评价函数值
BESTX=cell(K,1);%细胞结构，每一个元素是M×1向量，记录每一代的最优个体
BESTY=zeros(K,1);%K×1矩阵，记录每一代的最优个体的评价函数值
k=1;%迭代计数器初始化
Tau=ones(1,N);%信息素初始化
Y=zeros(1,N);%适应值初始化

%% 第二步：迭代过程
while k<=K
    YY=zeros(1,N);
    for n=1:N
        x=X(:,n);
        YY(n)=FIT(x);
    end
    maxYY=max(YY);
    temppos=find(YY==maxYY);
    POS=temppos(1);
    %蚂蚁随机探路
    for n=1:N
        if n~=POS
            x=X(:,n);
            Fx=FIT(x);
            mx=GaussMutation(x,LB,UB);
            if Fmx<Fx
                X(:,n)=mx;
                Y(n)=Fmx;
            elseif rand>1-(1/(sqrt(k)))
                X(:,n)=mx;
                Y(n)=Fmx;
            else
                X(:,n)=x;
                Y(n)=Fx;
            end
        end
    end
    for n=1:N
        if n~=POS
            x=X(:,n);
            Fx=FIT(x);
            mx=GaussMutation(x,LB,UB);
            Fmx=FIT(mx);
            if Fmx<Fx
                Y(n)=Fmx;
            elseif rand>1-(1/(sqrt(k)))
                X(:,n)=mx;
                Y(n)=Fmx;
            else
                X(:,n)=x;
                Y(n)=Fx;
            end
        end
    end

    %朝信息素最大的地方移动
    for n=1:N
        if n~=POS
            x=X(:,n);
            r=(K+k)/(K+K);
            p=randperm(N);
            t=ceil(r*N);
            pos=p(1:t);
            TempTau=Tau(pos);
            maxTempTau=max(TempTau);
            pos3=pos(pos2(1));
            x2=X(:,pos3(1));
            x3=(1-Lambda)*x+Lambda*x2;
            Fx=FIT(x);
            Fx3=FIT(mx);
            if Fx3<Fx
                X(:,n)=x3;
                Y(n)=Fx3;
            elseif rand>1-(1/(sqrt(k)))
                X(:,n)=x3;
                Y(n)=Fx3;
            else
                X(:,n)=x;
                Y(n)=Fx;
            end
        end
    end
    %更新信息素并记录
    Tau=Tau*(1-Rho);
    maxY=max(Y);
    minY=min(Y);
    DeltaTau=(maxY-Y)/(maxY-minY);
    Tau=Tau+Q*DeltaTau;
    ALLX{k}=X;
    ALLY(k,:)=Y;
    minY=min(Y);
    pos4=find(Y==minY);
    BESTX{k}=X(:,pos4(1));
    BESTY(k)=minY;
    disp(k);
    k=k+1;
end
%% 绘图
BESTY2=BESTY;
BESTX2=BESTX;
for k=1:K
    TempY=BESTY(1:k);
    minTempY=min(TempY);
    posY=find(TempY==minTempY);
    BESTY2(k)=minTempY;
    BESTX2{k}=BESTX{posY(1)};
end
BESTY=BESTY2;
BESTX=BESTX2;
plot(BESTY,'-ko','MarkerEdgeColor','k','MarkerFaceColor','k','MarkerSize',2)
ylabel('函数值')
xlabel('迭代次数')
grid on