TSP_GA_matlab.rar_GA_TSP 遗传算法_ga tsp_ga tsp_tsp

%遗传算法求解TSP问题(为选择操作从新设计后程序) %输入： %D 距离矩阵 %NIND 为种群个数 %X 参数是中国34个城市的坐标(初始给定) %MAXGEN 为停止代数，遗传到第MAXGEN代时程序停止,MAXGEN的具体取值视问题的规模和耗费的时间而定 %m 为适值淘汰加速指数,最好取为1,2,3,4,不宜太大 %Pc 交叉概率 %Pm 变异概率 %输出： %R 为最短路径 %Rlength 为路径长度 clear clc close all %% 加载数据 X=[16.4,96.1 58.4,94.4 20.09,92.5 62.3,93.3 75.2,97.2 52.0,96.0 24.4,97.2 51.6,23.5 34.5,66.6 67.34,89.66 15.74,59.63 54.12,63.66 20.36,54.37 31.19,38.32 9.55,79.66 41.66,98.35 49.67,61.66 26.89,41.66 76.84,42.66 33.64,70.78 42.66,55.62 66.75,83.66 89.64,34.35 46.45,43.54 73.45,54.23 ]; D=Distanse(X); %生成距离矩阵 N=size(D,1); %城市个数 %% 遗传参数 NIND=100; %种群大小 MAXGEN=200; %最大遗传代数 Pc=0.9; %交叉概率 Pm=0.05; %变异概率 GGAP=0.9; %代沟 %% 初始化种群 Chrom=InitPop(NIND,N); %% 画出随机解的路径图 DrawPath(Chrom(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(Chrom(1,:)); Rlength=PathLength(D,Chrom(1,:)); disp(['总距离：',num2str(Rlength)]); disp('~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~') %% 优化 gen=0; figure; hold on;box on xlim([0,MAXGEN]) title('优化过程') xlabel('代数') ylabel('最优值') ObjV=PathLength(D,Chrom); %计算路径长度 preObjV=min(ObjV); while gen<MAXGEN %% 计算适应度 ObjV=PathLength(D,Chrom); %计算路径长度 % fprintf('%d %1.10f\n',gen,min(ObjV)) line([gen-1,gen],[preObjV,min(ObjV)]);pause(0.0001) preObjV=min(ObjV); FitnV=Fitness(ObjV); %% 选择 SelCh=Select(Chrom,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 Chrom=Reins(Chrom,SelCh,ObjV); %% 更新迭代次数 gen=gen+1 ; end %% 画出最优解的路径图 ObjV=PathLength(D,Chrom); %计算路径长度 [minObjV,minInd]=min(ObjV); DrawPath(Chrom(minInd(1),:),X) %% 输出最优解的路径和总距离 disp('最优解:') p=OutputPath(Chrom(minInd(1),:)); disp(['总距离：',num2str(ObjV(minInd(1)))]); disp('-------------------------------------------------------------')