基于改进蚁群算法的路径规划 Rho=0.3 ; % Rho 信息素蒸发系数 改进Rho初值为0.1 ，迭代中自适应变化 设置自适应变化系数值，加启发因子 提高搜索效率 收敛曲线对比如下
（基于原始代码逻辑忠实还原）
一、程序核心目标
本程序通过改进蚁群算法，在含障碍物的二维网格地图中寻找从起始点到目标点的最短路径，核心功能是实现高效的路径搜索与结果可视化，重点通过信息素蒸发系数自适应调整、启发因子强化等策略提升搜索性能。
二、核心模块与功能实现
（一）地图建模模块（G2D.m函数）
- 输入输出：
- 输入：0-1矩阵表示的网格地图（G），其中G(i,j)=0表示可通行区域，G(i,j)=1表示障碍物。
- 输出：邻接矩阵（D），维度为l²×l²（l为地图边长），D(i,j)表示节点i到节点j的距离（0表示不可达）。
- 核心逻辑：
- 将地图坐标(i,j)转换为节点编号（行优先规则：node=(i-1)*l + j）。
- 定义相邻节点距离：上下左右相邻节点距离为1，对角线相邻节点距离为√2（通过坐标差计算）。
- 仅为可通行节点（G(i,j)=0）建立邻接关系，障碍物节点不参与路径计算。
（二）算法参数初始化模块（main.m）
- 基础参数：
- 地图参数：地图边长MM、总节点数N=MM×MM、网格单位长度a=1。
- 算法控制参数：总迭代次数K、每轮蚂蚁数量M、起始节点S、目标节点E、信息素重要度因子Alpha、启发因子重要度因子Beta。
- 改进参数：
- 信息素蒸发系数初始值Rho_init=0.1（区别于原始算法的固定值0.3）。
- 初始信息素矩阵Tau：全局信息素初始值设为8，确保初始探索的均匀性。
（三）路径搜索模块（蚂蚁移动逻辑）
- 蚂蚁状态初始化：
- 每只蚂蚁从起始节点S出发，通过禁忌表（TABUkm）记录已访问节点（1=可访问，0=已访问），避免重复路径。
- 节点选择规则：
- 基于信息素（Tau）和启发因子（Eta）的“转轮赌法”： - 计算当前节点的可达邻居（排除障碍物和已访问节点）。
- 对每个邻居节点，计算选择概率：
PP(i) = (Tau(W, LJD(i))^Alpha) × (Eta(LJD(i))^Beta)，归一化后作为选择依据。 - 随机生成0-1之间的数，选择累积概率首次大于该随机数的邻居节点作为下一站。
（四）改进策略实现模块
- 信息素蒸发系数（Rho）自适应调整：
- 迭代过程中Rho动态变化，公式为：Rho = 0.6 × (1 - exp(-k/K × 1000))（k为当前迭代次数，K为总迭代次数）。
- 效果：迭代初期Rho≈0（信息素挥发慢，利于探索），后期Rho≈0.6（挥发快，强化优质路径）。
- 启发因子（Eta）强化：
-Eta表示节点到目标点的吸引力，计算方式为“直线距离倒数的平方”：Eta(i) = (1 / 节点i到目标点的直线距离)²（目标点E的Eta固定为100，避免循环）。
- 效果：距离目标点越近的节点吸引力越强，提升搜索导向性。
- 信息素（Tau）上下限约束：
- 上限Taumax：基于当前最优路径长度计算，公式为Taumax = (1/(2*(1-Rho))×(1/minkl) + 1/minkl)×200，防止信息素过度积累导致路径扎堆。
- 下限Taumin = Taumax / 500，防止信息素过度挥发导致探索能力丧失。
（五）信息素更新模块
- 增量计算：每只蚂蚁在有效路径（到达目标点）上的信息素增量为
Delta_Tau(x,y) = Q / 路径长度（Q为增量强度系数），双向更新（x→y和y→x）。 - 全局更新：
Tau = (1 - Rho)×Tau + Delta_Tau，结合挥发与增量，平衡探索与利用。
（六）结果记录与可视化模块
- 数据记录：
- 存储每轮蚂蚁的路径（ROUTES）和路径长度（PL），追踪最优路径（Route_Shortest）及其长度（minkl）。
- 可视化输出：
- 收敛曲线：展示每轮迭代的最小路径长度变化，处理无有效路径的情况（继承前一轮最优值）。
- 路径图：在地图中标记障碍物（黑色）、可通行区域（白色）、最优路径（红色）、起点（绿色）和目标点（蓝色），直观呈现搜索结果。
三、程序执行流程
- 输入地图矩阵，调用
G2D.m生成邻接矩阵。 - 初始化算法参数、信息素矩阵、启发因子矩阵。
- 迭代搜索：每轮蚂蚁按规则移动，记录路径与长度，更新信息素（含自适应调整与上下限约束）。
- 迭代结束后，输出最优路径信息（长度、迭代轮次、节点序列）并绘制收敛曲线与路径图。
四、核心改进的程序意图
- 自适应
Rho：通过动态调整信息素挥发速度，解决原始算法“探索-利用”失衡问题（初期多探索，后期快收敛）。 - 强化
Eta：增强目标导向性，减少无效绕路，提升搜索效率。 - 信息素约束：避免信息素数值失控，维持算法稳定性，降低陷入局部最优的风险。
以上功能均严格基于代码逻辑实现，未添加额外假设，忠实反映程序设计意图。
