基于遗传算法的TSP算法.zip_matlab 遗传算法_遗传算法 _遗传算法 TSP_遗传算法TSP

%%主函数：TSP(旅行商问题)：已知n个城市相互之间的距离，某一旅行商从某个城市出发访问某个城市一次且仅一次， %最后回到出发城市，如何安排才使其所走路线最短。 %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，可分别测试3个不同的数据集 load CityPosition1; %load CityPosition2; %load CityPosition3; %X = CityPosition1; D = Distance(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 %%初始种群 Chrom = InitPop(NIND,N); %%画出随机解的路径图 DrawPath(Chrom(1,:),X); %X是在CityPosition1中存储的各个城市地理位置数据 pause(0.0001); %为了动态观察变化过程 pause（a）暂停a秒后执行下一条指令 %%输出随机解的路线和总距离 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); %计算路线长度 preObjV = min(ObjV); while gen < MAXGEN %%计算适应度 ObjV = PathLength(D,Chrom); %计算路线长度 % fprintf('%d %1.10f\n',gen,min(ObjV)) line([gen-1,gen],[preObjV,min(ObjV)]); pause(0.0001); 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); %%输出最优解的路线和总距离 disp('最优解'); p = OutputPath(Chrom(minInd(1),:)); disp(['总距离：',num2str(ObjV(minInd(1)))]); disp('~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~');