遗传模拟退火算法求解TSP问题matlab代码.zip

% % @作者：连吃13碗 % @微信公众号：优化算法交流地 % clc; clear; close all; %% tic NIND=50; GGAP=0.9; Pc=0.9; Pm=0.05; T0=1000; % 初始温度 Tend=1e-3; % 终止温度 L=10; % 各温度下的迭代次数（链长） q=0.9; %降温速率 load CityPosition4.mat X %% D=Distanse(X); %计算距离矩阵 N=size(D,1); %城市的个数 %% 初始解 S=zeros(NIND,N); for i=1:NIND S(i,:)=randperm(N); %随机产生一个初始路线 end %% 画出随机解的路径图 DrawPath(S(1,:),X) pause(0.0001) %% 输出随机解的路径和总距离 disp('初始种群中的一个随机值:') OutputPath(S(1,:)); Rlength=PathLength(D,S(1,:)); disp(['总距离：',num2str(Rlength)]); %% 计算迭代的次数Time syms x eqn = 1000*(0.9)^x==Tend; Sol=solve(eqn,x); Time=ceil(double(Sol)); count=0; %迭代计数 Obj=zeros(Time,1); %目标值矩阵初始化 track=zeros(Time,N); %每代的最优路线矩阵初始化 %% 迭代 while T0>Tend count=count+1 %更新迭代次数 for k=1:L %% 产生新解 ObjV=PathLength(D,S); %计算路线长度 FitnV=Fitness(ObjV); %% 选择 SelCh=Select(S,FitnV,GGAP); %% 交叉操作 SelCh=Recombin(SelCh,Pc); %% 变异 SelCh=Mutate(SelCh,Pm); %% 逆转操作 SelCh=Reverse(SelCh,D); %% 重插入子代的新种群 S2=Reins(S,SelCh,ObjV); %% Metropolis法则判断是否接受新解 for p=1:NIND [Sp,Rp]=Metropolis(S(p,:),S2(p,:),D,T0); %Metropolis 抽样算法 S(p,:)=Sp; end end %% 记录每次迭代过程的最优路线 R=zeros(NIND,1); for v=1:NIND R(v,:)=PathLength(D,S(v,:)); end [d0,r]=min(R); if count==1 || d0<Obj(count-1) Obj(count)=d0; %如果当前温度下最优路程小于上一路程则记录当前路程 else Obj(count)=Obj(count-1);%如果当前温度下最优路程大于上一路程则记录上一路程 end track(count,:)=S(r,:); %记录当前温度的最优路线 T0=q*T0; %降温 end %% 优化过程迭代图 figure plot(1:count,Obj) xlabel('迭代次数') ylabel('距离') title('优化过程') %% 最优解的路径图 DrawPath(track(end,:),X) %% 输出最优解的路线和总距离 disp('最优解:') S3=track(end,:); p=OutputPath(S3); disp(['总距离：',num2str(PathLength(D,S3))]); disp('-------------------------------------------------------------') toc