遗传算法助力应急救援站点优化选址：覆盖率与站点数量的平衡艺术

在应急救援场景中，快速、高效地覆盖尽可能多的需求点是关键。如何确定最优的救援站点数量，在资源有限的情况下实现最大人口覆盖率？遗传算法作为一种强大的优化工具，为我们提供了科学的解决方案。今天，就让我们通过一段 MATLAB 代码，揭开应急救援站点选址优化的神秘面纱～😉

一、数据准备：构建救援场景的 “基石” 🧱

data = load('dataset.mat');
need = data.need; % 需求站点
supply = data.supply; % 备选救援站点
pop = data.pop; % 人口规模
efftime = pdist2(need, supply); % 计算需求点到备选站点的有效出行时间

数据结构展示

 

代码首先加载包含需求站点（need）、备选救援站点（supply）和人口规模（pop）的数据集。通过pdist2计算需求点到每个备选站点的有效出行时间（efftime），为后续分析奠定基础。

二、遗传算法参数：优化过程的 “指南针” 🧭

maxGenerations = 200; % 最大迭代次数
crossoverRate = 0.8; % 交叉率
mutationRate = 0.3; % 变异率
best_restime = 5; % 最佳救援时间

• maxGenerations：控制遗传算法的迭代次数，数值越大，搜索越充分，但计算成本也越高。
• crossoverRate：交叉率决定了个体之间交换基因（站点选择）的概率，较高的交叉率有助于快速探索新的解空间。
• mutationRate：变异率让个体基因有机会随机改变，避免算法陷入局部最优。
• best_restime：定义救援的最佳时间阈值，需求点在该时间内被覆盖才算有效。

三、遍历供应点个数：寻找最优解的 “探索之旅” 🌍

for numSupplyPoints = 1:40
    populationSize = 100; % 每次运行的种群大小
    population = zeros(populationSize, size(supply, 1));
    for i = 1:populationSize
        onesIdx = randperm(size(supply, 1), numSupplyPoints);
        population(i, onesIdx) = 1;
    end
    % 遗传算法主循环
end

通过循环遍历 1 到 40 个供应点个数，每次初始化一个包含 100 个个体的种群。每个个体是一个二进制向量，其中正好有numSupplyPoints个 1，表示选中的救援站点