智能优化算法——免疫算法求解选址问题（Python&Matlab实现）

约束条件：

对于某一区域的点的任务点，要对该区域中的任务进行打包，首先算出中心点hi到其余点zj的距离aij；aij中i为该区域有i个打包中心点数，每个打包内除中心点外，还有个j其余点；s为其余点到打包中心点的距离上限；D为其余点与打包点的关系，如果在给定范围以内的取值为1，表示可以打包为一类，为0则不打包；A为一个打包内的所有点距之和。打包示意图如下：

4.3 免疫算法打包程序实现的步骤

Step1：初始化参数并产生初始打包中心点，即初始种群；

Step2：对每个打包内的点进行距离分析；

Step3：分析每个点对所有打包中心点的距离，每个点都可能处于多个打包范围内；

Step4：通过比对步骤2与3中的距离，对于每个任务点而言，优先选择距离最近的一个中心点，并记录；

Step5：判断是否每个点都给予了分类，并检验是否满足条件，是则结束继续步骤6；

Step6：产生新群体，基于步骤4的计算结果进行遗传方式产生新的打包群体；

Step7：比对前一个打包群体，对比各个打包内的A值，保留最小的群体，并循环步骤4-7；

Step8：输出结果。

4.4 Matlab代码

clear

clc

%% 位置坐标

city_coordinate=[1304,2312;3639,1315;4177,2244;3712,1399;3488,1535;3326,1556;3238,1229;4196,1044;4312,790;4386,570;

3007,1970;2562,1756;2788,1491;2381,1676;1332,695;3715,1678;3918,2179;4061,2370;3780,2212;3676,2578;

4029,2838;4263,2931;3429,1908;3507,2376;3394,2643;3439,3201;2935,3240;3140,3550;2545,2357;2778,2826;2370,2975];

n=length(city_coordinate);

%% step1 参数设置

sizepop=10; % 种群规模

overbest=10; % 记忆库容量大小

MAXGEN=100; % 迭代次数

pcross=0.5; % 免疫细胞遗传过程中的交叉概率

pmutation=0.4; % 免疫细胞遗传过程中的变异概率

s=3; %记录最优个体数

ps=0.95; % 多样性评价参数（一般设置为0.95）

len=10; % 最大打包数

jiange=1000; %打包点之间距离不低于1000m

z=3000; %其余点到中心点距离上限

M=sizepop+overbest;

%% step2 将种群信息定义为一个结构体，方便调用

individuals = struct(‘fitness’,zeros(1,M), ‘concentration’,zeros(1,M),‘excellence’,zeros(1,M),‘chrom’,[]);

%struct函数功能是生成一个具有指定字段名和相应数据的结构数组

%% step3 产生初始抗体种群

individuals.chrom = popinit(city_coordinate,M,len,jiange);%“.chrom”是调用individuals数组

trace=[]; %初始化矩阵，用于记录每代最个体优适应度和平均适应度

%% 迭代寻优

for iii=1:MAXGEN

%% step4 抗体群多样性评价

for i=1:M

individuals.fitness(i) = fitness(city_coordinate,indiv