模拟退火算法-TSP

clc;clear;close all;%%ticT0=1000;   % 初始温度Tend=1e-3;  % 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 CityPosition1;%%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TimeTime=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figureplot(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('-------------------------------------------------------------')toc