求基于遗传算法或粒子群算法的用MATLAB编程解决的选址问题的源程序，网上论文附录的程序都是萎的啊……

function [R_best,L_best,L_ave,Shortest_Route,Shortest_Length]=acatsp(C,NC_max,m,Alpha,Beta,Rho,Q)

%%=========================================================================

% ACATSPm

% Ant Colony Algorithm for Traveling Salesman Problem

% GreenSim团队原创作品，转载请注明

% Email:greensim@163com

% GreenSim团队主页

% 欢迎访问GreenSim——算法仿真团队

%%-------------------------------------------------------------------------

%% 主要符号说明

%% C n个城市的坐标，n×2的矩阵

%% NC_max 最大迭代次数

%% m 蚂蚁个数

%% Alpha 表征信息素重要程度的参数

%% Beta 表征启发式因子重要程度的参数

%% Rho 信息素蒸发系数

%% Q 信息素增加强度系数

%% R_best 各代最佳路线

%% L_best 各代最佳路线的长度

%%=========================================================================

%%第一步：变量初始化

n=size(C,1);%表示问题的规模（城市个数）

D=zeros(n,n);%D表示完全图的赋权邻接矩阵

for i=1:n

for j=1:n

if i~=j

D(i,j)=((C(i,1)-C(j,1))^2+(C(i,2)-C(j,2))^2)^05;

else

D(i,j)=eps;

end

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

end

end

Eta=1/D;%Eta为启发因子，这里设为距离的倒数

Tau=ones(n,n);%Tau为信息素矩阵

Tabu=zeros(m,n);%存储并记录路径的生成

NC=1;%迭代计数器

R_best=zeros(NC_max,n);%各代最佳路线

L_best=infones(NC_max,1);%各代最佳路线的长度

L_ave=zeros(NC_max,1);%各代路线的平均长度

while NC<=NC_max%停止条件之一：达到最大迭代次数

%%第二步：将m只蚂蚁放到n个城市上

Randpos=[];

for i=1:(ceil(m/n))

Randpos=[Randpos,randperm(n)];

end

Tabu(:,1)=(Randpos(1,1:m))';

%%第三步：m只蚂蚁按概率函数选择下一座城市，完成各自的周游

for j=2:n

for i=1:m

visited=Tabu(i,1:(j-1));%已访问的城市

J=zeros(1,(n-j+1));%待访问的城市

P=J;%待访问城市的选择概率分布

Jc=1;

for k=1:n

if length(find(visited==k))==0

J(Jc)=k;

Jc=Jc+1;

end

end

%下面计算待选城市的概率分布

for k=1:length(J)

P(k)=(Tau(visited(end),J(k))^Alpha)(Eta(visited(end),J(k))^Beta);

end

P=P/(sum(P));

%按概率原则选取下一个城市

Pcum=cumsum(P);

Select=find(Pcum>=rand);

to_visit=J(Select(1));

Tabu(i,j)=to_visit;

end

end

if NC>=2

Tabu(1,:)=R_best(NC-1,:);

end

%%第四步：记录本次迭代最佳路线

L=zeros(m,1);

for i=1:m

R=Tabu(i,:);

for j=1:(n-1)

L(i)=L(i)+D(R(j),R(j+1));

end

L(i)=L(i)+D(R(1),R(n));

end

L_best(NC)=min(L);

pos=find(L==L_best(NC));

R_best(NC,:)=Tabu(pos(1),:);

L_ave(NC)=mean(L);

NC=NC+1

%%第五步：更新信息素

Delta_Tau=zeros(n,n);

for i=1:m

for j=1:(n-1)

Delta_Tau(Tabu(i,j),Tabu(i,j+1))=Delta_Tau(Tabu(i,j),Tabu(i,j+1))+Q/L(i);

end

Delta_Tau(Tabu(i,n),Tabu(i,1))=Delta_Tau(Tabu(i,n),Tabu(i,1))+Q/L(i);

end

Tau=(1-Rho)Tau+Delta_Tau;

%%第六步：禁忌表清零

Tabu=zeros(m,n);

end

%%第七步：输出结果

Pos=find(L_best==min(L_best));

Shortest_Route=R_best(Pos(1),:);

Shortest_Length=L_best(Pos(1));

subplot(1,2,1)

DrawRoute(C,Shortest_Route)

subplot(1,2,2)

plot(L_best)

hold on

plot(L_ave)

function DrawRoute(C,R)

%%====================================================================

%% DrawRoutem

%% 画路线图的子函数

%%--------------------------------------------------------------------

%% C Coordinate 节点坐标，由一个N×2的矩阵存储

%% R Route 路线

%%====================================================================

N=length(R);

scatter(C(:,1),C(:,2));

hold on

plot([C(R(1),1),C(R(N),1)],[C(R(1),2),C(R(N),2)])

hold on

for ii=2:N

plot([C(R(ii-1),1),C(R(ii),1)],[C(R(ii-1),2),C(R(ii),2)])

hold on

end

可以参考一下这段代码

%------给定初始化条件----------------------------------------------

c1=18; %学习因子1

c2=18; %学习因子2

WMax=16; %惯性权重

WMin=08; %惯性权重

MaxDT=100; %最大迭代次数

D=3; %搜索空间维数（未知数个数）

N=30; %初始化群体个体数目

XUp=20/(2^05); %初始化位移上限

XDown=-20/(2^05); %初始化位移下限

VUp=05; %初始化速度上限

VDown=00; %初始化速度下限

eps=10^(-6); %设置精度(在已知最小值时候用)

%------初始化种群的个体(可以在这里限定位置和速度的范围)------------

x=((XUp-XDown)rand(N,2D)+XDown); %随机初始化位置

v=((VUp-VDown)rand(N,2D)+VDown); %随机初始化速度

变量k没有循环吧。

function result=fitness(W,D)

a=[1 2 3;1/2 1 4;1/3 1/4 1];

W(1)=05396;

W(2)=01634;

W(3)=02970;

for i=1:D

for k=1:3

cif=cif+abs(a(i,k)W(k)-3W(i));

end

end

CIF=cif/D;

result=CIF

[r,c] = find(R == max(R(:))); 检索R中最大元素所在的位置（行标r和列标c）

thetap = theta(c(1)); theta（）是自定义函数

function main()

clc;clear all;close all;

tic; %程序运行计时

E0=0001; %允许误差

MaxNum=100; %粒子最大迭代次数

narvs=1; %目标函数的自变量个数

particlesize=30; %粒子群规模

c1=2; %每个粒子的个体学习因子，也称为加速常数

c2=2; %每个粒子的社会学习因子，也称为加速常数

w=06; %惯性因子

vmax=08; %粒子的最大飞翔速度

x=-5+10rand(particlesize,narvs); %粒子所在的位置

v=2rand(particlesize,narvs); %粒子的飞翔速度

%用inline定义适应度函数以便将子函数文件与主程序文件放在一起，

%目标函数是：y=1+(21(1-x+2x^2)exp(-x^2/2))

%inline命令定义适应度函数如下：

fitness=inline('1/(1+(21(1-x+2x^2)exp(-x^2/2)))','x');

%inline定义的适应度函数会使程序运行速度大大降低

for i=1:particlesize

for j=1:narvs

f(i)=fitness(x(i,j));

end

end

personalbest_x=x;

以上就是关于求基于遗传算法或粒子群算法的用MATLAB编程解决的选址问题的源程序，网上论文附录的程序都是萎的啊……全部的内容，包括:求基于遗传算法或粒子群算法的用MATLAB编程解决的选址问题的源程序，网上论文附录的程序都是萎的啊……、粒子群算法用matlab做，要把粒子初始化为矩阵要怎么做、求优化AHP一致性函数的MATLAB程序，基于粒子群算法的~急用~~等相关内容解答，如果想了解更多相关内容，可以关注我们，你们的支持是我们更新的动力！