基于matlab的蚁群优化路径算法，二维路径和三维路径优化。 输出可视化最优路径和距离迭代曲线。 数据可更换自己的，程序已调通，可直接运行。
蚁群优化这玩意儿看着复杂，其实用Matlab玩起来还真挺有意思。咱今天不整那些虚头巴脑的理论，直接上代码看效果。先来个二维平面路径优化的实例，等会儿再带你们上天搞三维的。
先看二维场景，假设我们要在20x20的网格里找最优路径。数据文件citys.mat里存着随机生成的城市坐标，咱们加载完数据直接上核心代码：
% 参数初始化 ants_num = 50; % 蚂蚁数量 iter_max = 200; % 迭代次数 alpha = 1; % 信息素重要程度 beta = 5; % 启发因子重要程度 rho = 0.1; % 信息素挥发系数 Q = 1; % 信息素常数 % 计算城市间距 dist_matrix = pdist2(citys, citys);这里beta值设得比alpha大，是因为在路径选择时要更侧重实际距离的启发信息。pdist2函数算的是城市间的欧氏距离，想换自己的数据直接替换citys变量就行。
路径选择是算法的核心，这段轮盘赌代码看着就带劲：
for k = 1:ants_num visited = zeros(1, n); % 已访问标记 current = randi(n); % 随机起始城市 visited(current) = 1; path = current; for i = 2:n probs = (tau(current,:).^alpha) .* (eta(current,:).^beta); probs(visited==1) = 0; % 已访问城市概率置零 probs = probs / sum(probs); next = rouletteWheel(probs); % 轮盘赌选择 visited(next) = 1; path = [path, next]; current = next; end paths{k} = path; endrouletteWheel这个自定义函数实现的就是经典轮盘赌算法，保证概率越高的路径被选中的几率越大。注意这里的信息素矩阵tau和启发因子eta是动态更新的，每次迭代完用挥发系数rho来调整信息素浓度。
三维路径优化其实就是在二维基础上加了个z轴，可视化的时候改用plot3函数。数据加载部分稍微改改：
load('3d_citys.mat'); % 包含x,y,z坐标 dist_matrix = sqrt( (citys(:,1)-citys(:,1)').^2 + ... (citys(:,2)-citys(:,2)').^2 + ... (citys(:,3)-citys(:,3)').^2 );路径绘制部分整点炫酷的：
plot3(citys(path,1), citys(path,2), citys(path,3), 'b-o',... 'LineWidth',2, 'MarkerFaceColor','red');运行结果里最实用的还是那个距离迭代曲线图，一眼就能看出算法收敛情况。想要更骚气的效果可以给三维路径加个渐变色，用surface函数搞点高度映射。
最后说几个实战经验：
- 城市数量超过50时记得调大蚂蚁数量，不然容易陷入局部最优
- 三维场景的信息素挥发系数建议设置在0.05-0.15之间
- 用rng(0)固定随机数种子方便调试
- 并行计算加速可以考虑parfor替换普通for循环
代码包里已经准备好现成的GUI界面，点个运行按钮就能看到蚂蚁们怎么在图上爬出最优路径。想改参数直接在界面里调，实时看到迭代过程的变化才叫爽。
