某大神写的MATLAB蚁群算法解TSP程序，自己看了好久才看懂，所以加上了更加详细的注释，借花献佛了吧
实现函数
function [R_best,L_best,L_ave,Shortest_Route,Shortest_Length]=ACATSP(C,NC_max,m,Alpha,Beta,Rho,Q)
%%————————————————————————-
%% 主要符号说明
%% C n个城市的坐标，n×2的矩阵
%% NC_max 最大迭代次数
%% m 蚂蚁个数
%% Alpha 表征信息素重要程度的参数
%% Beta 表征启发式因子重要程度的参数
%% Rho 信息素蒸发系数
%% Q 信息素增加强度系数
%% R_best 各代最佳路线
%% L_best 各代最佳路线的长度
%%=========================================================================
%%第一步：变量初始化
n=size(C,1);%n表示问题的规模（城市个数）
D=zeros(n,n);%D表示完全图的赋权邻接矩阵
for i=1:n
for j=i:n %计算一半间距，因为是对称矩阵
if i~=j %计算城市间距，除去自身与自身的距离
D(i,j)=((C(i,1)-C(j,1))^2+(C(i,2)-C(j,2))^2)^0.5;
else
D(i,j)=eps; %i=j时不计算，应该为0，但后面的启发因子要取倒数，用eps（浮点相对精度）表示
end
D(j,i)=D(i,j); %对称矩阵
end
end
Eta=1./D; %Eta为启发因子，这里设为距离的倒数
Tau=ones(n,n); %Tau为信息素矩阵，任意一条路径
Tabu=zeros(m,n); %存储并记录路径的生成，m只蚂蚁的路径,一条路径即n个城市的排序
NC=1; %迭代计数器，记录迭代次数
R_best=zeros(NC_max,n); %各代最佳路线,NC_max次迭代
L_best=inf.*ones(NC_max,1); %各代最佳路线的长度, infinity无穷大，初始值为无穷大
L_ave=zeros(NC_max,1); %各代路线的平均长度
%%开始迭代计算
while NC<=NC_max %停止条件之一：达到最大迭代次数，停止
%%第二步：将m只蚂蚁放到n个城市上
Randpos=[]; %随即存取
for i=1:(ceil(m/n)) %
Randpos=[Randpos,randperm(n)]; %randperm,n个最大值为n的正整数的随机排列，得到ceil(m/n)个1-n的随机排列。即蚂蚁被平均随机分配到个城市
end
Tabu(:,1)=(Randpos(1,1:m))’; %蚂蚁初位置，各蚂蚁被平均随机分配到个城市
%%第三步：m只蚂蚁按概率函数选择下一座城市，完成各自的周游；第i蚂蚁开始选择访问第j城市
for j=2:n %所在城市不计算
for i=1:m %每只蚂蚁分别计算
visited=Tabu(i,1:(j-1)); %记录当前只蚂蚁已访问的城市，避免重复访问
J=zeros(1,(n-j+1)); %设置数组，记录待访问的城市
P=J; %对于当前蚂蚁，待访问城市的选择概率分布
Jc=1;
for k=1:n
if length(find(visited==k))==0 %开始时，蚂蚁还未访问的城市，放入待访问矩阵
J(Jc)=k;
Jc=Jc+1; %访问的城市个数自加1
end
end
%下面计算待选城市的概率分布，第k个城市
for k=1:length(J)
P(k)=(Tau(visited(end),J(k))^Alpha)*(Eta(visited(end),J(k))^Beta);%visited(end)当前所在城市
end
P=P/(sum(P));
%按概率原则选取下一个城市
Pcum=cumsum(P); %cumsum，0-1的区间上按概率分配区间的大小
Select=find(Pcum>=rand); %rand 0-1随机数，随机数落在哪个区间就选择哪个城市 %这个方法厉害厉害了
to_visit=J(Select(1));
Tabu(i,j)=to_visit; %记录i蚂蚁访问的j城市·
end
end
if NC>=2
Tabu(1,:)=R_best(NC-1,:);
end
%%第四步：记录本次迭代最佳路线
L=zeros(m,1); %开始距离为0，m*1的列向量
for i=1:m
R=Tabu(i,:);
for j=1:(n-1)
L(i)=L(i)+D(R(j),R(j+1)); %原距离加上第j个城市到第j+1个城市的距离
end
L(i)=L(i)+D(R(1),R(n)); %一轮下来后走过的距离
end
L_best(NC)=min(L); %最佳距离取最小
pos=find(L==L_best(NC)); %读出最佳蚂蚁，可能有几个
R_best(NC,:)=Tabu(pos(1),:); %此轮迭代后的最佳路线
L_ave(NC)=mean(L); %此轮迭代后的平均距离
NC=NC+1 %迭代继续
%%第五步：更新信息素
Delta_Tau=zeros(n,n); %开始时信息素为n*n的0矩阵
for i=1:m
for j=1:(n-1)
Delta_Tau(Tabu(i,j),Tabu(i,j+1))=Delta_Tau(Tabu(i,j),Tabu(i,j+1))+Q/L(i);
%此次循环在路径（i，j）上的信息素增量，第i蚂蚁的信息素在路径上平均分配
end
Delta_Tau(Tabu(i,n),Tabu(i,1))=Delta_Tau(Tabu(i,n),Tabu(i,1))+Q/L(i);
%此次循环在整个路径上的信息素增量
end
Tau=(1-Rho).*Tau+Delta_Tau; %考虑信息素挥发，更新后的信息素
%%第六步：禁忌表清零
Tabu=zeros(m,n); %%直到最大迭代次数
end
%%第七步：输出结果
Pos=find(L_best==min(L_best)); %找到最佳路径（非0为真）
Shortest_Route=R_best(Pos(1),:) %最大迭代次数后最佳路径
Shortest_Length=L_best(Pos(1)) %最大迭代次数后最短距离
subplot(1,2,1) %绘制第一个子图形
DrawRoute(C,Shortest_Route) %画路线图的子函数
subplot(1,2,2) %绘制第二个子图形
plot(L_best)
hold on %保持图形
plot(L_ave,’r’)
title(‘平均距离和最短距离’) %标题
function DrawRoute(C,R)
%%=========================================================================
%% DrawRoute.m
%% 画路线图的子函数
%%————————————————————————-
%% C Coordinate 节点坐标，由一个N×2的矩阵存储
%% R Route 路线
%%=========================================================================
N=length(R);
scatter(C(:,1),C(:,2));
hold on
plot([C(R(1),1),C(R(N),1)],[C(R(1),2),C(R(N),2)],’g’)
hold on
for ii=2:N
plot([C(R(ii-1),1),C(R(ii),1)],[C(R(ii-1),2),C(R(ii),2)],’g’)
hold on
end
title(‘旅行商问题优化结果 ‘)
具体调用
C=[0,0,2,4,4,6,8,8,3,4,6,3;
0,8,4,0,6,4,0,8,3,7,7,9];
C=C’;
NC_max=400;
m=32;
Alpha=1;
Beta=1;
Rho=0.2;
Q=20;
ACATSP(C,NC_max,m,Alpha,Beta,Rho,Q);
