最近在折腾TSP路径优化的时候，发现禁忌搜索和蚁群算法这对组合挺有意思。咱们直接上代码，边跑边聊这两种算法怎么把城市坐标玩出花来。（别慌，文末有完整代码打包）

基于matlab的禁忌搜索算法和蚁群优化算法优化TSP路径，动态输出路径规划过程及输出最小距离。 数据可更换自己的，程序已调通，可直接运行。

先看禁忌搜索的暴力美学。这货核心就三招：禁忌表锁死局部最优、特赦规则放行优质解、邻域搜索疯狂试探。下面这段主循环特别带劲：

while iter < max_iter % 生成邻域解（随机交换两个城市） new_route = current_route; swap_idx = randperm(n,2); new_route(swap_idx) = new_route(fliplr(swap_idx)); % 动态绘图 if mod(iter,50)==0 cla plot_route(current_route, citys, iter); drawnow end % 禁忌判定与更新 if ~is_tabu(swap_idx) || get_distance(new_route)<best_distance current_route = new_route; tabu_list = [tabu_list; swap_idx]; if length(tabu_list) > tabu_length tabu_list(1,:) = []; end % 更新最优解 current_distance = get_distance(current_route); if current_distance < best_distance best_route = current_route; best_distance = current_distance; end end iter = iter + 1; end

动态绘图那里用了drawnow命令，每50次迭代刷新一次路径图。禁忌表用了个先入先出的队列，这里故意用数组而不是队列对象，实测效率反而更高。注意那个特赦规则——即便操作在禁忌表中，只要新解比历史最优还好，直接放行，这个策略让算法避免陷入死局。

再来看蚁群算法的信息素操控。初始化时给每条边撒点信息素：

pheromone = ones(n,n)*init_pher; for k = 1:ant_num % 蚂蚁随机起始城市 current_city = randi(n); tabu = current_city; % 状态转移 for i = 2:n prob = (pheromone(current_city,:).^alpha).*(eta(current_city,:).^beta); prob(tabu) = 0; prob = prob/sum(prob); next_city = roulette(prob); tabu(i) = next_city; current_city = next_city; end % 更新信息素 delta_pheromone = delta_pheromone + update_pher/total_dist; end

轮盘赌函数roulette是个实用小技巧：[~,idx] = max(prob>rand)，用随机数射击的方式选择下个城市。信息素更新时要注意矩阵的对称性，比如从i到j和j到i的信息素要同步更新，否则路径会出方向性错误。

基于matlab的禁忌搜索算法和蚁群优化算法优化TSP路径，动态输出路径规划过程及输出最小距离。 数据可更换自己的，程序已调通，可直接运行。

跑起来之后的效果相当炫酷——禁忌搜索的路径像在抽搐中逐渐理顺，而蚁群算法则是多条路径同时闪烁最终汇聚成一条主线。实测50个城市时，禁忌搜索平均在1500代左右收敛，蚁群需要200代但每代计算量更大。

最后丢个数据替换彩蛋：把自己的城市坐标存成N行2列的citys变量，列分别是X/Y坐标。比如：

citys = [randi([0 100],30,2); % 随机点 [20,55; 67,81; 93,12]]; % 手动加点

跑完别急着关窗口，算法结束后会弹出带路径顺序的线图，右键可以保存迭代过程的gif动图。两种算法各有适用场景——要快用禁忌搜索，要精度上蚁群，当然最好还是两个结果对比着看。