clear all;clc
%% 输入参数
N=15; %城市的个数
M=100; %种群的个数
C=100; %系统迭代次数
C_old=C;
m=2; %适应值归一化淘汰加速指数
Pc=0.4; %交叉概率
Pmutation=0.2; %变异概率
%% 生成城市的坐标
pos=randn(N,2); %随机生成N行2列的坐标矩阵
%% 生成城市之间的距离矩阵
D=zeros(N,N); %生成城市间距离全零矩阵
for i=1:N
for j=i+1:N
dis=(pos(i,1)-pos(j,1)).^2+(pos(i,2)-pos(j,2)).^2;
D(i,j)=dis^(0.5);
D(j,i)=D(i,j);
end
end
%上述D矩阵为实对称矩阵，主对角线为0元素，为第i个城市与第i个城市之间的距离，为0;
%D矩阵只要看对角线之上的元素就可以；
%D(i,j)中元素的实际含义是第i个城市与第j个城市的距离；由此，也可更好的解释其为实对称矩阵的原因
%% 生成初始群体
popm=zeros(M,N);
%popm为M行N列的矩阵；
%M是种群的个数；
%N是种群基因编码的个数，popm矩阵元素为N个城市之间的编号；
for i=1:M
popm(i,:) =randperm(N);
end
%randperm(N)函数随机生成一个1行N列的行矩阵，行矩阵的元素为从1到N的数字；
%举例如下：
%>>>randperm(N);
%>>>13 15 4 3 14 12 9 11 10 7 8 6 2 1 5
%% 随机选择一个种群绘制其行走路径
R=popm(1,:); %本部分内容对最优路径没有帮助，仅是作为一个随意的解释
%R为popm矩阵的第一个种群，本部分内容中随机生成一个行走路径
figure(1);
subplot(1,3,1);
scatter(pos(:,1),pos(:,2),'b*'); %绘制离散点坐标
xlabel('横轴');ylabel('纵轴');title('随机产生的种群图');grid on;
subplot(1,3,2);
plot_route(pos,R); %绘制第一个种群的城市行走路径
xlabel('横轴');ylabel('纵轴');title('随机生成种群中城市路径情况');grid on;
%% 初始化种群及其适应函数
fitness=zeros(M,1);
%生成一个M行1列的全零列矩阵，列矩阵元素为种群适应度；
len=zeros(M,1);
%生成一个M行1列的全零列矩阵，列矩阵元素为所行城市的路径总长度；
for i=1:M
len(i,1)=myLength(D,popm(i,:));%求解行走路径总长度
end
maxlen=max(len);%maxlen是当前种群最长的行走距离
minlen=min(len);%minlen是当前种群最短的行走距离
fitness=fit(len,m,maxlen,minlen);
rr=find(len==minlen);%通过find()函数取得len矩阵中所有数值等于最小举例的索引数值
R=popm(rr(1,1),:);%选择第rr个种群矩阵
for i=1:N
fprintf('%d ',R(i)); %打印出第rr个种群城市行走路径顺序
end
fprintf('\n');
fitness=fitness/sum(fitness);%轮盘赌选择法确定是否被选中
distance_min=zeros(C+1,1);%该矩阵为刷新种群最小距离储存矩阵
while C>=0
fprintf('迭代第%d次\n',C);
%% 选择操作
nn=0;
for i=1:size(popm,1) %size(popm,1)种群行数，既有多少个种群数
len_1(i,1)=myLength(D,popm(i,:)); %求取该种群个体城市行走路径总长度
jc=rand*0.3; %rand生成0-1的随机数
for j=1:size(popm,1)
if fitness(j,1)>=jc %如果适应度大于选择概率，则选择相应的种群进行后续操作
nn=nn+1;
popm_sel(nn,:)=popm(j,:); %保留种群中相应的种群个体基因编码
break;
end
end
end
%% 每次选择都保存最优的种群
popm_sel=popm_sel(1:nn,:);
[len_m len_index]=min(len_1); %得到距离矩阵中距离最短的行走路径长度和相应的基因个体编号，是第几个基因个体
popm_sel=[popm_sel;popm(len_index,:)]; %将最短距离的种群个体基因编码补充至保留的种群后面
%上一个程序含义解释的还不是很到位
%% 交叉操作
nnper=randperm(nn); %选择部分选择了nn个基因编码个体进行后续操作，这里也是生成基因编码顺序个体
A=popm_sel(nnper(1),:); %选中nnper(1)所对应的基因编码个体
B=popm_sel(nnper(2),:); %选中nnper(2)所对应的基因编码个体
for i=1:nn*Pc %交叉概率(Pc)的数值是0.4，通过nn*Pc可以得到一共交叉多少次
[A,B]=cross(A,B); %A、B个体中部分基因编码进行交换
popm_sel(nnper(1),:)=A; %将交换后的种群个体基因编码送回原矩阵
popm_sel(nnper(2),:)=B; %将交换后的种群个体基因编码送回原矩阵
end
%% 变异操作
for i=1:nn %对nn个种群个体基因编码进行变异操作
pick=rand; %随机指定种群内某一个基因编码个体的变异概率，以备后续决定是否进行变异操作
while pick==0
pick=rand;
end
if pick>=Pmutation
popm_sel(i,:)=Mutation(popm_sel(i,:)); %如果小于变异概率则进行变异操作
%popm_sel矩阵中每一个基因编码个体都要进行变异
end
end
%% 求适应度函数
NN=size(popm_sel,1); %求取popm_sel矩阵的行数，以备进行种群适应度的求取
len=zeros(NN,1);
for i=1:NN
len(i,1)=myLength(D,popm_sel(i,:)); %求取popm_sel矩阵中对应城市行走路径的总长度
end
maxlen=max(len); %maxlen是当前种群最长的行走距离
minlen=min(len); %minlen是当前种群最短的行走距离
distance_min(C+1,1)=minlen; %求取最短距离
fitness=fit(len,m,maxlen,minlen); %求取对应的适应度数值
rr=find(len==minlen); %求取最短距离的数值索引
fprintf('minlen=%d\n',minlen); %打印最短距离
R=popm_sel(rr(1,1),:); %保留最短距离对应的种群个体基因编码
for i=1:N
fprintf('%d ',R(i)); %打印当前种群个体基因编码
end
fprintf('\n');
popm=[]; %清空种群个体矩阵
popm=popm_sel; %将当前选择的矩阵赋值给popm矩阵
C=C-1;
pause(0.03);
end
subplot(1,3,3);
plot_route(pos,R);
xlabel('横轴');ylabel('纵轴');title('优化后种群中城市路径情况');grid on;
