连续域蚁群算法的matlab实现

将变量为离散型的蚁群算法扩展到连续型变量，根据Socha, Krzysztof 和Dorigo, Marco在2008年发表的文章Ant colony optimization for continuous domains制作，内附原文及代码。

clc;
clear;
close all;

%% Problem Definition

CostFunction=@（x） Sphere（x）;        % Cost Function

nVar=10;             % Number of Decision Variables

VarSize=[1 nVar];   % Variables Matrix Size

VarMin=-10;         % Decision Variables Lower Bound
VarMax= 10;         % Decision Variables Upper Bound

%% ACOR Parameters

MaxIt=1000;          % Maximum Number of Iterations

nPop=10;            % Population Size （Archive Size）

nSample=40;         % Sample Size

q=0.5;              % Intensification Factor （Selection Pressure）

zeta=1;             % Deviation-Distance Ratio

%% Initialization

% Create Empty Individual Structure
empty_individual.Position=[];
empty_individual.Cost=[];

% Create Population Matrix
pop=repmat（empty_individualnPop1）;

% Initialize Population Members
for i=1:nPop
    
    % Create Random Solution
    pop（i）.Position=unifrnd（VarMinVarMaxVarSize）;
    
    % Evaluation
    pop（i）.Cost=CostFunction（pop（i）.Position）;
    
end

% Sort Population
[~ SortOrder]=sort（[pop.Cost]）;
pop=pop（SortOrder）;

% Update Best Solution Ever Found
BestSol=pop（1）;

% Array to Hold Best Cost Values
BestCost=zeros（MaxIt1）;

% Solution Weights
w=1/（sqrt（2*pi）*q*nPop）*exp（-0.5*（（（1:nPop）-1）/（q*nPop））.^2）;

% Selection Probabilities
p=w/sum（w）;


%% ACOR Main Loop

for it=1:MaxIt
    
    % Means
    s=zeros（nPopnVar）;
    for l=1:nPop
        s（l:）=pop（l）.Position;
    end
    
    % Standard Deviations
    sigma=zeros（nPopnVar）;
    for l=1:nPop
        D=0;
        for r=1:nPop
            D=D+abs（s（l:）-s（r:））;
        end
        sigma（l:）=zeta*D/（nPop-1）;
    end
    
    % Create New Population Array
    newpop=repmat（empty_individualnSample1）;
    for t=1:nSample
        
        % Initialize Position Matrix
        newpop（t）.Position=zeros（VarSize）;
        
        % Solution Construction
        for i=1:nVar
            
            % Select Gaussian Kernel
            l=RouletteWheelSelection（p）;
            
            % Generate Gaussian Random Variable
            newpop（t）.Position（i）=s（li）+sigma（li）*randn;
            
        end
        
        % Evaluation
        newpop（t）.Cost=CostFunction（newpop（t）.Position）;
        
    end
    
    % Merge Main Population （Archive） and New Population （Samples）
    pop=[pop
         newpop]; %#ok
     
    % Sort Population
    [~ SortOrder]=sort（[pop.Cost]）;
    pop=pop（SortOrder）;
    
    % Delete Extra Members
    pop=pop（1:nPop）;
    
    % Update Best Solution Ever Found
    BestSol=pop（1）;
    
    % Store Best Cost
    BestCost（it）=BestSol.Cost;
    
    % Show Iteration Information
    disp（[‘Iteration ‘ num2str（it） ‘: Best Cost = ‘ num2str（BestCost（it））]）;
    
end

%% Results

figure;
%plot（BestCost‘LineWidth‘2）;
semilogy（BestCost‘LineWidth‘2）;
xlabel（‘Iteration‘）;
ylabel（‘Best Cost‘）;
grid on;

 属性            大小     日期    时间   名称
----------- ---------  ---------- -----  ----

     文件        105  2019-02-02 04:23  RouletteWheelSelection.m

     文件     396529  2018-11-21 17:37  Socha-Ant colony optimization for continuous d.pdf

     文件         51  2015-07-15 18:50  Sphere.m

     文件       2973  2019-01-30 22:25  acor.m

     文件          7  2019-02-02 04:23  main.m

----------- ---------  ---------- -----  ----

               399665                    5