遗传算法求解tsp问题的matlab程序

把下面的（1）-（7）依次存成相应的.m文件，在（7）的m文件下运行就可以了

（1） 适应度函数fit.m

function fitness=fit(len,m,maxlen,minlen)

fitness=len

for i=1:length(len)

fitness(i,1)=(1-(len(i,1)-minlen)/(maxlen-minlen+0.0001)).^m

end

(2)个体距离计算函数 mylength.m

function len=myLength(D,p)

[N,NN]=size(D)

len=D(p(1,N),p(1,1))

for i=1:(N-1)

len=len+D(p(1,i),p(1,i+1))

end

end

(3)交叉 *** 作函数 cross.m

function [A,B]=cross(A,B)

L=length(A)

if L<10

W=L

elseif ((L/10)-floor(L/10))>=rand&&L>10

W=ceil(L/10)+8

else

W=floor(L/10)+8

end

p=unidrnd(L-W+1)

fprintf('p=%d ',p)

for i=1:W

x=find(A==B(1,p+i-1))

y=find(B==A(1,p+i-1))

[A(1,p+i-1),B(1,p+i-1)]=exchange(A(1,p+i-1),B(1,p+i-1))

[A(1,x),B(1,y)]=exchange(A(1,x),B(1,y))

end

end

(4)对调函数 exchange.m

function [x,y]=exchange(x,y)

temp=x

x=y

y=temp

end

(5)变异函数 Mutation.m

function a=Mutation(A)

index1=0index2=0

nnper=randperm(size(A,2))

index1=nnper(1)

index2=nnper(2)

%fprintf('index1=%d ',index1)

%fprintf('index2=%d ',index2)

temp=0

temp=A(index1)

A(index1)=A(index2)

A(index2)=temp

a=A

end

(6)连点画图函数 plot_route.m

function plot_route(a,R)

scatter(a(:,1),a(:,2),'rx')

hold on

plot([a(R(1),1),a(R(length(R)),1)],[a(R(1),2),a(R(length(R)),2)])

hold on

for i=2:length(R)

x0=a(R(i-1),1)

y0=a(R(i-1),2)

x1=a(R(i),1)

y1=a(R(i),2)

xx=[x0,x1]

yy=[y0,y1]

plot(xx,yy)

hold on

end

end

(7)主函数

clear

clc

%%%%%%%%%%%%%%%输入参数%%%%%%%%

N=50 %%城市的个数

M=100 %%种群的个数

C=100 %%迭代次数

C_old=C

m=2 %%适应值归一化淘汰加速指数

Pc=0.4%%交叉概率

Pmutation=0.2 %%变异概率

%%生成城市的坐标

pos=randn(N,2)

%%生成城市之间距离矩阵

D=zeros(N,N)

for i=1:N

for j=i+1:N

dis=(pos(i,1)-pos(j,1)).^2+(pos(i,2)-pos(j,2)).^2

D(i,j)=dis^(0.5)

D(j,i)=D(i,j)

end

end

%%如果城市之间的距离矩阵已知，可以在下面赋值给D，否则就随机生成

%%生成初始群体

popm=zeros(M,N)

for i=1:M

popm(i,:)=randperm(N)

end

%%随机选择一个种群

R=popm(1,:)

figure(1)

scatter(pos(:,1),pos(:,2),'rx')

axis([-3 3 -3 3])

figure(2)

plot_route(pos,R) %%画出种群各城市之间的连线

axis([-3 3 -3 3])

%%初始化种群及其适应函数

fitness=zeros(M,1)

len=zeros(M,1)

for i=1:M

len(i,1)=myLength(D,popm(i,:))

end

maxlen=max(len)

minlen=min(len)

fitness=fit(len,m,maxlen,minlen)

rr=find(len==minlen)

R=popm(rr(1,1),:)

for i=1:N

fprintf('%d ',R(i))

end

fprintf('\n')

fitness=fitness/sum(fitness)

distance_min=zeros(C+1,1) %%各次迭代的最小的种群的距离

while C>=0

fprintf('迭代第%d次\n',C)

%%选择 *** 作

nn=0

for i=1:size(popm,1)

len_1(i,1)=myLength(D,popm(i,:))

jc=rand*0.3

for j=1:size(popm,1)

if fitness(j,1)>=jc

nn=nn+1

popm_sel(nn,:)=popm(j,:)

break

end

end

end

%%每次选择都保存最优的种群

popm_sel=popm_sel(1:nn,:)

[len_m len_index]=min(len_1)

popm_sel=[popm_selpopm(len_index,:)]

%%交叉 *** 作

nnper=randperm(nn)

A=popm_sel(nnper(1),:)

B=popm_sel(nnper(2),:)

for i=1:nn*Pc

[A,B]=cross(A,B)

popm_sel(nnper(1),:)=A

popm_sel(nnper(2),:)=B

end

%%变异 *** 作

for i=1:nn

pick=rand

while pick==0

pick=rand

end

if pick<=Pmutation

popm_sel(i,:)=Mutation(popm_sel(i,:))

end

end

%%求适应度函数

NN=size(popm_sel,1)

len=zeros(NN,1)

for i=1:NN

len(i,1)=myLength(D,popm_sel(i,:))

end

maxlen=max(len)

minlen=min(len)

distance_min(C+1,1)=minlen

fitness=fit(len,m,maxlen,minlen)

rr=find(len==minlen)

fprintf('minlen=%d\n',minlen)

R=popm_sel(rr(1,1),:)

for i=1:N

fprintf('%d ',R(i))

end

fprintf('\n')

popm=[]

popm=popm_sel

C=C-1

%pause(1)

end

figure(3)

plot_route(pos,R)

axis([-3 3 -3 3])

遗传算法我懂，我的论文就是用着这个算法，具体到你要遗传算法是做什么？优化什么的。。。我给你一个标准遗传算法程序供你参考：

该程序是遗传算法优化BP神经网络函数极值寻优：

%% 该代码为基于神经网络遗传算法的系统极值寻优

%% 清空环境变量

clc

clear

%% 初始化遗传算法参数

%初始化参数

maxgen=100%进化代数，即迭代次数

sizepop=20 %种群规模

pcross=[0.4] %交叉概率选择，0和1之间

pmutation=[0.2] %变异概率选择，0和1之间

lenchrom=[1 1] %每个变量的字串长度，如果是浮点变量，则长度都为1

bound=[-5 5-5 5] %数据范围

individuals=struct('fitness',zeros(1,sizepop), 'chrom',[]) %将种群信息定义为一个结构体

avgfitness=[] %每一代种群的平均适应度

bestfitness=[]%每一代种群的最佳适应度

bestchrom=[] %适应度最好的染色体

%% 初始化种群计算适应度值

% 初始化种群

for i=1:sizepop

%随机产生一个种群

individuals.chrom(i,:)=Code(lenchrom,bound)

x=individuals.chrom(i,:)

%计算适应度

individuals.fitness(i)=fun(x) %染色体的适应度

end

%找最好的染色体

[bestfitness bestindex]=min(individuals.fitness)

bestchrom=individuals.chrom(bestindex,:) %最好的染色体

avgfitness=sum(individuals.fitness)/sizepop%染色体的平均适应度

% 记录每一代进化中最好的适应度和平均适应度

trace=[avgfitness bestfitness]

%% 迭代寻优

% 进化开始

for i=1:maxgen

i

% 选择

individuals=Select(individuals,sizepop)

avgfitness=sum(individuals.fitness)/sizepop

%交叉

individuals.chrom=Cross(pcross,lenchrom,individuals.chrom,sizepop,bound)

% 变异

individuals.chrom=Mutation(pmutation,lenchrom,individuals.chrom,sizepop,[i maxgen],bound)

% 计算适应度

for j=1:sizepop

x=individuals.chrom(j,:)%解码

individuals.fitness(j)=fun(x)

end

%找到最小和最大适应度的染色体及它们在种群中的位置

[newbestfitness,newbestindex]=min(individuals.fitness)

[worestfitness,worestindex]=max(individuals.fitness)

% 代替上一次进化中最好的染色体

if bestfitness>newbestfitness

bestfitness=newbestfitness

bestchrom=individuals.chrom(newbestindex,:)

end

individuals.chrom(worestindex,:)=bestchrom

individuals.fitness(worestindex)=bestfitness

avgfitness=sum(individuals.fitness)/sizepop

trace=[traceavgfitness bestfitness]%记录每一代进化中最好的适应度和平均适应度

end

%进化结束

%% 结果分析

[r c]=size(trace)

plot([1:r]',trace(:,2),'r-')

title('适应度曲线','fontsize',12)

xlabel('进化代数','fontsize',12)ylabel('适应度','fontsize',12)

axis([0,100,0,1])

disp('适应度 变量')

x=bestchrom

% 窗口显示

disp([bestfitness x])

---