function gaTSP
CityNum=20;
[dislist,Clist]=tsp(CityNum);
inn=1000; %初始种群大小
gnmax=2000; %最大代数
pc=0.8; %交叉概率
pm=0.8; %变异概率
%产生初始种群
for i=1:inn
s(i,:)=randperm(CityNum);
end
[f,p]=objf(s,dislist);
gn=1;
while gn<gnmax+1
for j=1:2:inn
seln=sel(s,p); %选择操作
scro=cro(s,seln,pc); %交叉操作
scnew(j,:)=scro(1,:);
scnew(j+1,:)=scro(2,:);
smnew(j,:)=mut(scnew(j,:),pm); %变异操作
smnew(j+1,:)=mut(scnew(j+1,:),pm);
end
s=smnew; %产生了新的种群
[f,p]=objf(s,dislist); %计算新种群的适应度
%记录当前代最好和平均的适应度
[fmax,nmax]=max(f);
ymean(gn)=1000/mean(f);
ymax(gn)=1000/fmax;
%记录当前代的最佳个体
x=s(nmax,:);
drawTSP(Clist,x,ymax(gn),gn,0);
gn=gn+1;
%pause;
end
gn=gn-1;
disp(s(nmax,:));
disp(1000./fmax);
disp(1000./mean(f))
figure(2);
plot(ymax,'r'); hold on;
plot(ymean,'b');grid;
title('搜索过程');
legend('最优解','平均解');
end
%------------------------------------------------
%计算适应度函数
function [f,p]=objf(s,dislist);
inn=size(s,1); %读取种群大小
for i=1:inn
f(i)=CalDist(dislist,s(i,:)); %计算函数值，即适应度
end
f=1000./f';
%计算选择概率
fsum=0;
for i=1:inn
fsum=fsum+f(i)^15;
end
for i=1:inn
ps(i)=f(i)^15/fsum;
end
%计算累积概率
p(1)=ps(1);
for i=2:inn
p(i)=p(i-1)+ps(i);
end
p=p';
end
%--------------------------------------------------
function pcc=pro(pc);
test(1:100)=0;
l=round(100*pc);
test(1:l)=1;
n=round(rand*99)+1;
pcc=test(n);
end
%--------------------------------------------------
%“选择”操作
function seln=sel(s,p);
inn=size(p,1);
%从种群中选择两个个体
for i=1:2
r=rand; %产生一个随机数
prand=p-r;
j=1;
while prand(j)<0
j=j+1;
end
seln(i)=j; %选中个体的序号
end
end
%------------------------------------------------
%“交叉”操作
function scro=cro(s,seln,pc);
bn=size(s,2);
pcc=pro(pc); %根据交叉概率决定是否进行交叉操作，1则是，0则否
scro(1,:)=s(seln(1),:);
scro(2,:)=s(seln(2),:);
if pcc==1
c1=round(rand*(bn-2))+1; %在[1,bn-1]范围内随机产生一个交叉位
c2=round(rand*(bn-2))+1;
chb1=min(c1,c2);
chb2=max(c1,c2);
middle=scro(1,chb1+1:chb2);
scro(1,chb1+1:chb2)=scro(2,chb1+1:chb2);
scro(2,chb1+1:chb2)=middle;
for i=1:chb1
while find(scro(1,chb1+1:chb2)==scro(1,i))
zhi=find(scro(1,chb1+1:chb2)==scro(1,i));
y=scro(2,chb1+zhi);
scro(1,i)=y;
end
while find(scro(2,chb1+1:chb2)==scro(2,i))
zhi=find(scro(2,chb1+1:chb2)==scro(2,i));
y=scro(1,chb1+zhi);
scro(2,i)=y;
end
end
for i=chb2+1:bn
while find(scro(1,1:chb2)==scro(1,i))
zhi=find(scro(1,1:chb2)==scro(1,i));
y=scro(2,zhi);
scro(1,i)=y;
end
while find(scro(2,1:chb2)==scro(2,i))
zhi=find(scro(2,1:chb2)==scro(2,i));
y=scro(1,zhi);
scro(2,i)=y;
end
end
end
end
%--------------------------------------------------
%“变异”操作
function snnew=mut(snew,pm);
bn=size(snew,2);
snnew=snew;
pmm=pro(pm); %根据变异概率决定是否进行变异操作，1则是，0则否
if pmm==1
c1=round(rand*(bn-2))+1; %在[1,bn-1]范围内随机产生一个变异位
c2=round(rand*(bn-2))+1;
chb1=min(c1,c2);
chb2=max(c1,c2);
x=snew(chb1+1:chb2);
snnew(chb1+1:chb2)=fliplr(x);
end
end
各种优化算法解决TSP问题.rar （10个子文件） 
各种优化算法解决TSP问题 
ant_colony_system.m 2KB genetic_algorithm.m 3KB hopfield_neuro_network.m 2KB tsp.m 494B CalDist.m 2KB drawTSP10.m 636B tabu_search.m 3KB drawTSP.m 610B tsp.asv 2KB simulated_annealing.m 2KB
评论1