TSP-SA_TSP

clc;

clear;

close all;

%%

tic

T0=1000;   % 初始温度

Tend=1e-20;  % 终止温度

L=500;    % 各温度下的迭代次数（链长）

q=0.9;    %降温速率

 

%% 加载数据

load matlab1;

X=A;

%%

D=Distanse(X);  %计算距离矩阵

N=size(D,1);    %城市的个数

%% 初始解

S1=randperm(N);  %随机产生一个初始路线

 

%% 画出随机解的路径图

DrawPath(S1,X)

pause(0.0001)

%% 输出随机解的路径和总距离

disp('初始种群中的一个随机值:')

OutputPath(S1);

Rlength=PathLength(D,S1);

disp(['总距离：',num2str(Rlength)]);

 

%% 计算迭代的次数Time

Time=ceil(double(solve(['1000*(0.9)^x=',num2str(Tend)])));

count=0;        %迭代计数

Obj=zeros(Time,1);         %目标值矩阵初始化

track=zeros(Time,N);       %每代的最优路线矩阵初始化

%% 迭代

while T0>Tend

    count=count+1;     %更新迭代次数

    temp=zeros(L,N+1);

    for k=1:L

        %% 产生新解

        S2=NewAnswer(S1);

        %% Metropolis法则判断是否接受新解

        [S1,R]=Metropolis(S1,S2,D,T0);  %Metropolis 抽样算法

        temp(k,:)=[S1 R];          %记录下一路线的及其路程

    end

    %% 记录每次迭代过程的最优路线

    [d0,index]=min(temp(:,end)); %找出当前温度下最优路线

    if count==1 || d0<Obj(count-1)

        Obj(count)=d0;           %如果当前温度下最优路程小于上一路程则记录当前路程

    else

        Obj(count)=Obj(count-1);%如果当前温度下最优路程大于上一路程则记录上一路程

    end

    track(count,:)=temp(index,1:end-1);  %记录当前温度的最优路线

    T0=q*T0;     %降温

    fprintf(1,'%d\n',count)  %输出当前迭代次数

end

%% 优化过程迭代图

figure

plot(1:count,Obj)

xlabel('迭代次数')

ylabel('距离')

title('优化过程')

 

%% 最优解的路径图

DrawPath(track(end,:),X)

 

%% 输出最优解的路线和总距离

disp('最优解:')

S=track(end,:);

p=OutputPath(S);

 

disp(['总距离：',num2str(PathLength(D,S))]);

disp('-------------------------------------------------------------')

 

M=zeros(N,3);

% X(S(2),:,:)

for i=1:N

   M(i,:,:)=X(S(i),:,:);

end

C=[M(:,:,:);M(1,:,:)]

 scatter3(X(:,1),X(:,2),X(:,3),'k','linewidth',3)

 hold on

 plot3(C(:,1),C(:,2),C(:,3),'r','linewidth',2)

toc