使用遗传算法解决tsp问题代码
%% 1.清空环境变量
clear all;
clc;
%% 2.导入数据
load citys_data.mat; %数据集的变量名为citys
%% 3.计算城市间相互距离
n=size(citys,1);
D=zeros(n,n);
for i=1:n
for j=i+1:n
D(i,j)=sqrt(sum((citys(i,:)-citys(j,:)).^2));
D(j,i)=D(i,j);
end
end
%% 4.初始化参数
m=2000; %种群个数
pop=zeros(m,n); %种群
crospro=0.8; %交叉概率
mutpro=0.1; %变异概率
gen=1; %迭代计数器
genmax=1; %最大迭代次数
fitness=zeros(m,1); %适应度函数值
Route_best=zeros(genmax,n); %各代最佳路径
Length_best=zeros(genmax,1); %各代最佳路径的长度
Length_ave=zeros(genmax,1); %各代路径的平均长度
%% 5.产生初始种群
% 5.1随机产生初始种群
for i=1:m
pop(i,:)=randperm(n);
end
% 5.2计算初始种群适应度函数值
for i=1:m
for j=1:n-1
fitness(i)=fitness(i) + D(pop(i,j),pop(i,j+1));
end
fitness(i)=fitness(i) + D(pop(i,end),pop(i,1));
end
% 5.3计算最短路径及平均距离
[min_Length,min_index]=min(fitness);
Length_best(1)=min_Length;
Route_best(1,:)=pop(min_index,:);
Length_ave(1)=mean(fitness);
%% 6.迭代寻找最佳路径
while gen<=genmax
% 6.1更新迭代次数
gen=gen+1;
% 6.2选择算子(轮盘赌法)
P=1./fitness;
P=P/sum(P); %计算每一个城市的概率
Pc=cumsum(P); %计算累积概率
popnew=zeros(m,n);
for i=1:m
target_index=find(Pc>=rand);
target=pop(target_index(1),:);
popnew(i,:)=target;
end
% 6.3交叉算子(部分匹配交叉)
for i=1:2:n %两两之间相互交叉
if crospro>rand %判断是否进行交叉
child1path=zeros(1,n);
child2path=zeros(1,n);
setsize=floor(n/2)-1; %匹配区域城市的数量
offset1=randi(setsize); %匹配区域的下边界
offset2=offset1+setsize-1; %匹配区域的上边界
%匹配区域
for j=offset1:offset2
child1path(j)=popnew(i+1,j);
child2path(j)=popnew(i,j);
end
% 非匹配区域
for j=1:offset1-1
child1path(j)=popnew(i,j);
child2path(j)=popnew(i+1,j);
end
for j=offset2+1:n
child1path(j)=popnew(i,j);
child2path(j)=popnew(i+1,j);
end
% 子代1冲突检测
for j=offset1:offset2
if ~ismember(child1path(j),popnew(i,offset1:offset2)) %不在交叉段内
%寻找映射关系
a1=child1path(j);
a2=popnew(i,j);
while ismember(a2,child1path(offset1:offset2))
temp_index=find(popnew(i+1,:)==a2);
a1=a2;
a2=popnew(i,temp_index);
end
%寻找重复数字位置
b1=find(child1path==child1path(j));
if length(b1)>1
if b1(1)>offset2||b1(1)<offset1
change_index=b1(1);
else
change_index=b1(2);
end
end
%替代重复数字
child1path(change_index)=a2;
end
end
% 子代2冲突检测(同上)
for j=offset1:offset2
if ~ismember(child2path(j),popnew(i+1,offset1:offset2)) %不在交叉段内
%寻找映射关系
a1=child2path(j);
a2=popnew(i+1,j);
while ismember(a2,child2path(offset1:offset2))
temp_index=find(popnew(i,:)==a2);
a1=a2;
a2=popnew(i+1,temp_index);
end
%寻找重复数字位置
b2=find(child2path==child2path(j));
if length(b2)>1
if b2(1)>offset2||b2(1)<offset1
change_index=b2(1);
else
change_index=b2(2);
end
end
%替代重复数字
child2path(change_index)=a2;
end
end
popnew(i,:)=child1path;
popnew(i+1,:)=child2path;
end
end
% 6.4变异算子
for i=1:m
if mutpro>rand %判断是否变异
%随机抽两个数字
y=round(rand(1,2)*(n-1)+1);
%交换位置
temp=popnew(i,y(1));
popnew(i,y(1))=popnew(i,y(2));
popnew(i,y(2))=temp;
end
end
% 6.5计算新一代种群适应度函数值
pop=popnew;
fitness=zeros(m,1);
for i=1:m
for j=1:n-1
fitness(i)=fitness(i) + D(pop(i,j),pop(i,j+1));
end
fitness(i)=fitness(i) + D(pop(i,end),pop(i,1));
end
% 6.6计算最短路径及平均距离
[min_Length,min_index]=min(fitness);
Length_ave(gen)=mean(fitness);
if min_Length<Length_best(gen-1)
Length_best(gen)=min_Length;
Route_best(gen,:)=pop(min_index,:);
else
Length_best(gen)=Length_best(gen-1);
Route_best(gen,:)=Route_best(gen-1,:);
end
end
%% 7.结果显示
best_route=Route_best(end,:);
best_length=Length_best(end,:);
disp(['最短距离: ' num2str(best_length)]);
disp(['最短路径: ' num2str(best_route)]);
%% 8.绘图
figure(1)
plot([citys(best_route,1);citys(best_route(1),1)],[citys(best_route,2);citys(best_route(1),2)],'o-')
for i=1:size(citys,1)
text(citys(i,1),citys(i,2),[' ' num2str(i)]);
end
text(citys(best_route(1),1),citys(best_route(1),2),' 起点');
text(citys(best_route(end),1),citys(best_route(end),2),' 终点');
xlabel('城市位置横坐标')
ylabel('城市位置纵坐标')
title(['遗传算法优化路径(最短距离:' num2str(best_length) ')'])
figure(2)
plot(1:genmax+1,Length_ave,'r:',1:genmax+1,Length_best,'b-')
legend('平均距离','最短距离')
xlabel('迭代次数')
ylabel('距离')
title('各代最短距离与平均距离对比')