下载文档原格式
使用Matlab进行遗传算法优化问题求解的方法引言在现代科技发展的背景下，优化算法成为解决各种问题的重要工具之一。
遗传算法作为一种生物启发式算法，具有全局寻优能力和适应性强的特点，在许多领域中被广泛应用。
本文将介绍如何使用Matlab进行遗传算法优化问题求解，包括问题建模、遗传算子设计、遗传算法编码、适应度评价和求解过程控制等方面。
一、问题建模在使用遗传算法求解优化问题之前，我们首先需要将问题定义为数学模型。
这包括确定问题的目标函数和约束条件。
例如，假设我们要最小化一个多变量函数f(x)，其中x=(x1,x2,...,xn)，同时还有一些约束条件g(x)<=0和h(x)=0。
在Matlab中，我们可通过定义一个函数来表示目标函数和约束条件。
具体实现时，我们需要在目标函数和约束函数中设置输入参数，通过调整这些参数进行优化。
二、遗传算子设计遗传算法的核心是遗传算子的设计，包括选择（Selection）、交叉（Crossover）、变异（Mutation）和替代（Replacement）等。
选择操作通过一定的策略从种群中选择出适应度较高的个体，作为进行交叉和变异的父代个体。
交叉操作通过将两个父代个体的基因片段进行交换，产生新的子代个体。
变异操作通过改变个体某些基因的值，引入新的基因信息。
替代操作通过选择适应度较低的个体将其替换为新产生的子代个体。
三、遗传算法编码在遗传算法中，个体的编码方式决定了问题的解空间。
常见的编码方式有二进制编码和实数编码等。
当问题的变量是二进制形式时，采用二进制编码。
当问题的变量是实数形式时，采用实数编码。
在Matlab中，我们可以使用矩阵或向量来表示个体的基因型，通过制定编码方式来实现遗传算法的编码过程。
四、适应度评价适应度评价是遗传算法中判断个体优劣的指标。
在适应度评价过程中，我们将问题的目标函数和约束条件应用于个体的解，计算得到一个适应度值。
适应度值越大表示个体越优。
硕士生考查课程考试试卷考试科目：考生姓名：考生学号：学院：专业：考生成绩：任课老师(签名)考试日期：年月日午时至时《MATLAB 教程》试题：A 、利用MATLAB 设计遗传算法程序，寻找下图11个端点最短路径，其中没有连接端点表示没有路径。
要求设计遗传算法对该问题求解。
ae h kB 、设计遗传算法求解f (x)极小值，具体表达式如下：321231(,,)5.12 5.12,1,2,3i i i f x x x x x i =⎧=⎪⎨⎪-≤≤=⎩∑ 要求必须使用m 函数方式设计程序。
C 、利用MATLAB 编程实现：三名商人各带一个随从乘船渡河，一只小船只能容纳二人，由他们自己划行，随从们密约，在河的任一岸，一旦随从的人数比商人多，就杀人越货，但是如何乘船渡河的大权掌握在商人手中，商人们怎样才能安全渡河？D 、结合自己的研究方向选择合适的问题，利用MATLAB 进行实验。
以上四题任选一题进行实验，并写出实验报告。
选择题目：B 、设计遗传算法求解f (x)极小值，具体表达式如下：321231(,,)5.12 5.12,1,2,3i i i f x x x x x i =⎧=⎪⎨⎪-≤≤=⎩∑ 要求必须使用m 函数方式设计程序。
一、问题分析（10分）这是一个简单的三元函数求最小值的函数优化问题，可以利用遗传算法来指导性搜索最小值。
实验要求必须以matlab 为工具，利用遗传算法对问题进行求解。
在本实验中，要求我们用M 函数自行设计遗传算法，通过遗传算法基本原理，选择、交叉、变异等操作进行指导性邻域搜索，得到最优解。
二、实验原理与数学模型（20分）（1）试验原理：用遗传算法求解函数优化问题，遗传算法是模拟生物在自然环境下的遗传和进化过程而形成的一种自适应全局优化概率搜索方法。
其采纳了自然进化模型，从代表问题可能潜在解集的一个种群开始，种群由经过基因编码的一定数目的个体组成。
每个个体实际上是染色体带有特征的实体；初始种群产生后，按照适者生存和优胜劣汰的原理，逐代演化产生出越来越好的解：在每一代，概据问题域中个体的适应度大小挑选个体；并借助遗传算子进行组合交叉和主客观变异，产生出代表新的解集的种群。
题目：使用Matlab遗传算法求解函数最小值的步骤及实例分析目录一、概述二、Matlab遗传算法概述1. 遗传算法原理2. Matlab中的遗传算法工具箱介绍三、使用Matlab遗传算法求解函数最小值的步骤1. 初始化种裙2. 适应度函数的定义3. 轮盘赌选择4. 交叉与变异5. 更新种裙6. 终止条件的设置四、实例分析1. 实例背景2. 实例分析步骤五、总结一、概述在实际工程和科学研究中，经常需要求解函数的最小值，这涉及到优化问题。
遗传算法是一种基于自然选择和遗传机制的全局优化算法，在求解函数最小值问题上具有一定的优势。
Matlab作为一款强大的科学计算软件，具备丰富的数值计算工具和优化算法库，其中也包括遗传算法工具箱。
本文将介绍如何使用Matlab中的遗传算法工具箱求解函数最小值的步骤，并通过一个实例进行分析。
二、Matlab遗传算法概述1. 遗传算法原理遗传算法是一种通过模拟自然界生物进化过程进行优化的算法。
其基本思想是将待优化问题映射成遗传个体的表示形式，并通过种裙的进化过程求解最优解。
遗传算法包括选择、交叉和变异等操作，通过这些操作不断迭代种裙，最终得到最优解。
2. Matlab中的遗传算法工具箱介绍Matlab中提供了用于实现遗传算法的专门工具箱，包括遗传算法函数和用于可视化和评估遗传算法的函数。
使用Matlab的遗传算法工具箱，可以方便地实现遗传算法对函数的全局优化。
三、使用Matlab遗传算法求解函数最小值的步骤1. 初始化种裙在使用Matlab遗传算法工具箱时，需要首先对种裙进行初始化。
可以选择随机生成初始种裙，也可以根据问题的特点进行指定初始种裙。
2. 适应度函数的定义适应度函数是遗传算法中用于评价个体优劣的函数，它的设计直接影响遗传算法的求解效果。
在使用Matlab遗传算法工具箱时，需要根据实际的优化问题设计适应度函数。
3. 轮盘赌选择在遗传算法中，选择操作决定了哪些个体会被选择进行繁殖，而轮盘赌选择是一种常用的选择策略。
遗传算法求函数最小值遗传算法是一种模拟自然界中生物进化过程的计算方法，其基本原理是模拟类比生物的自然选择、交叉和变异过程，以达到求解非线性优化问题的目的。
在本文中，我们将介绍如何使用遗传算法来求解一个简单但典型的非线性函数优化问题。
该函数是 Rosenbrock 函数，它是一个多峰函数，一般用来测试其他优化算法的性能。
Rosenbrock 函数的公式如下：$$f(x,y) = (1-x)^2 + 100(y-x^2)^2$$该函数有一个明显的最小值点 $(1, 1)$，函数值为 0。
我们的目标是使用遗传算法来找到这个最小值点。
以下是遗传算法的基本流程：1. 初始化种群：随机生成一组初始解。
2. 评估适应度：计算种群中每个解的适应度，即 Rosenbrock 函数的值。
适应度越高，表示该解越接近最小值点。
3. 选择育种个体：采用轮盘赌算法从种群中选择一些个体，用于后续的交叉和变异。
4. 交叉：对选择出来的个体进行交叉操作，生成一定数量的新个体。
交叉操作的目的是将两个个体的优良特征互相交换，以产生更好的后代。
5. 变异：对上一步生成的新个体进行变异操作，产生进一步的多样性和探索性。
6. 评估适应度：对新生成的个体进行适应度评估，即 Rosenbrock 函数的值。
7. 替换：选择一部分新生成的个体，替代原来种群中适应度低的个体。
8. 检查停止条件：判断是否满足停止条件，如果是，则输出最优解；否则回到第 3 步。
根据以上基本流程，我们可以逐步开发程序实现。
首先，我们定义一个 Rosenbrock 函数的计算函数：```pythondef rosenbrock(x, y):return (1 - x)**2 + 100*(y - x**2)**2```然后，我们随机生成一组初始解，使用 numpy 库生成随机数，x、y 取值范围在 [-3,3]：```pythonimport numpy as npPOPULATION_SIZE = 100 # 种群大小BOUND_LOW, BOUND_HIGH = -3.0, 3.0 # 取值范围populations = np.random.uniform(low=BOUND_LOW, high=BOUND_HIGH,size=(POPULATION_SIZE, 2))```fitness = [rosenbrock(x, y) for x, y in populations]df = pd.DataFrame({'x': populations[:, 0], 'y': populations[:, 1],'fitness': fitness})```然后，我们编写轮盘赌算法选择育种个体的代码。
硕士生考查课程考试试卷考试科目：MATLAB教程考生姓名：考生学号：学院：专业：考生成绩：任课老师(签名)考试日期：20 年月日午时至时《MATLAB 教程》试题：A 、利用MATLAB 设计遗传算法程序，寻找下图11个端点的最短路径，其中没有连接的端点表示没有路径。
要求设计遗传算法对该问题求解。
ad ehkB 、设计遗传算法求解f (x)极小值，具体表达式如下：321231(,,)5.12 5.12,1,2,3i i i f x x x x x i =⎧=⎪⎨⎪-≤≤=⎩∑ 要求必须使用m 函数方式设计程序。
C 、利用MATLAB 编程实现：三名商人各带一个随从乘船渡河，一只小船只能容纳二人，由他们自己划行，随从们密约，在河的任一岸，一旦随从的人数比商人多，就杀人越货，但是如何乘船渡河的大权掌握在商人手中，商人们怎样才能安全渡河？D 、结合自己的研究方向选择合适的问题，利用MATLAB 进行实验。
以上四题任选一题进行实验，并写出实验报告。
选择题目： A 一、问题分析（10分）141011如图如示，将节点编号，依次为 1.2.3.4.5.6.7.8.9.10.11，由图论知识，则可写出其带权邻接矩阵为：0 2 8 1 500 500 500 500 500 500 500 2 0 6 500 1 500 500 500 500 500 500 8 6 0 7 500 1 500 500 500 500 500 1 500 7 0 500 500 9 500 500 500 500 500 1 500 500 0 3 500 2 500 500 500 500 500 1 500 3 0 4 500 6 500 500 500 500 500 9 500 4 0 500 500 1 500 500 500 500 500 2 500 500 0 7 500 9 500 500 500 500 500 6 500 7 0 1 2 500 500 500 500 500 500 1 500 1 0 4 500 500 500 500 500 500 500 9 2 4 0 注：为避免计算时无穷大数吃掉小数，此处为令inf=500。
matlab遗传算法计算函数区间最大值和最小值下面是用matlab实现遗传算法计算函数区间最大值和最小值的示例代码：首先定义函数（此处以f(x)=x*sin(10*pi*x)+1为例）:matlabfunction y = myfun(x)y = x*sin(10*pi*x)+1;end然后设置遗传算法参数：matlaboptions = gaoptimset('Generations', 1000, 'PopulationSize', 50,'StallGenLimit', 200, 'TolCon', 1e-10);其中，Generations表示遗传算法的迭代次数，PopulationSize表示种群大小，StallGenLimit表示在连续多少代没有改变时停止迭代，TolCon表示收敛精度。
接着，编写遗传算法主函数：matlab[x, fval] = ga(@myfun, 1, [], [], [], [], -1, 2, [], [], options);其中，第一个参数为要优化的函数，第二个参数为变量维度，后面的参数为变量的取值范围。
最后，输出结果：matlabfprintf('Function maximum is %f\n',-fval);fprintf('Function minimum is %f\n',fval);其中，-fval表示函数最大值，fval表示函数最小值。
完整代码如下：matlabfunction y = myfun(x)y = x*sin(10*pi*x)+1;endoptions = gaoptimset('Generations', 1000, 'PopulationSize', 50, 'StallGenLimit', 200, 'TolCon', 1e-10);[x, fval] = ga(@myfun, 1, [], [], [], [], -1, 2, [], [], options);fprintf('Function maximum is %f\n',-fval);fprintf('Function minimum is %f\n',fval);参考资料：[1][2]。
Matlab中的遗传算法与优化问题求解方法介绍引言随着科技的不断进步，优化问题在各个领域中的应用越来越广泛。
在实际问题中，我们往往需要找到一个最优解或者接近最优解的近似解。
为了解决这类问题，遗传算法作为一种自适应的搜索算法，被广泛应用于各个领域。
而Matlab作为一种功能强大的数学软件，提供了丰富的遗传算法工具箱，为优化问题的求解提供了便利。
本文将介绍Matlab中的遗传算法和一些常用的优化问题求解方法。
一、遗传算法概述遗传算法是源于达尔文的进化论思想的一种优化算法。
它是通过模拟自然选择、交叉、变异等生物遗传的过程来搜索最优解的方法。
遗传算法由编码、适应度评估、选择、交叉和变异等基本操作组成。
1. 编码：遗传算法使用二进制编码或者其他离散编码，将问题的解表示为一串二进制码或离散码。
2. 适应度评估：将编码得到的解转化为问题的实际解，并计算该解的适应度，即问题的目标函数值。
3. 选择：根据适应度对解进行选择，适应度越大的解，被选中的概率越大。
4. 交叉：从父代中选择两个个体，通过某种交叉方式生成子代。
5. 变异：对子代进行变异操作，以增加解的多样性。
二、Matlab中的遗传算法函数在Matlab的遗传算法工具箱中，包含了一系列的遗传算法函数，可以快速实现遗传算法优化问题的求解。
1. ga函数：这是Matlab中最基本的遗传算法函数，用于求解普通的优化问题。
它可以通过改变种群大小、交叉概率、变异概率等参数来调整算法的性能。
2. gamultiobj函数：这个函数是用于解决多目标优化问题的。
它使用了帕累托前沿的概念，可以得到一系列的非支配解，以帮助决策者选择最优解。
3. gaplotbestf函数：这个函数可以绘制遗传算法的收敛曲线，直观地展示算法求解的过程。
三、优化问题求解方法除了遗传算法外，Matlab还提供了其他一些常用的优化问题求解方法。
1. 粒子群算法（PSO）：这是一种群体智能算法，通过模拟鸟群或鱼群的行为，寻找最优解。
遗传算法优化的matlab案例遗传算法是一种启发式优化算法，它模拟了自然界中的生物进化过程，通过运用生物进化中的遗传机制和适应度评价来搜索问题的优化解。
它被普遍应用于各种领域中的优化问题，如函数优化、组合优化、机器学习等。
本文将通过一个简单的Matlab案例介绍如何应用遗传算法进行优化。
假设我们需要优化一个简单的目标函数f(x) = x^2，其中x的值范围在[-10, 10]之间。
我们希望找到使得函数值最小的x。
首先，我们需要定义遗传算法中的基本操作，包括种群初始化、个体选择、交叉和变异。
种群初始化是指生成初始种群，个体选择是指根据适应度评价选择优秀个体，交叉是指将两个个体交叉产生新个体，变异是指对个体进行随机变化以增加种群的多样性。
种群初始化可以通过随机生成x的值来实现。
假设种群大小为100，我们可以使用rand函数生成一个100行1列的随机矩阵表示种群，同时将矩阵中的值映射到[-10, 10]的范围内。
个体选择可以通过计算适应度评价来选择最优个体。
在本案例中，适应度评价即目标函数的值。
我们可以计算每个个体的适应度并选择最小的个体作为最优个体。
交叉操作可以通过随机选择两个个体，并将它们的染色体交叉产生新个体。
在本案例中，染色体即x的值。
我们可以随机选择两个个体，并取它们染色体的均值作为新个体的染色体。
变异操作可以通过随机变化个体的染色体来增加种群的多样性。
在本案例中，我们可以随机选择一个个体，并对其染色体加上一个小的随机数。
通过以上基本操作，我们可以构建一个完整的遗传算法优化过程。
其基本流程如下：1. 初始化种群。
生成一个随机矩阵表示初始种群。
2. 计算适应度。
计算每个个体的适应度，并选择最小的个体作为最优个体。
3. 重复以下步骤直到满足终止条件：a. 选择交叉个体。
随机选择两个个体作为交叉个体。
b. 交叉操作。
根据交叉概率对交叉个体进行交叉操作，并生成新个体。
c. 变异操作。
根据变异概率对新个体进行变异操作。
报告题目：基于Matlab的遗传算法解决TSP问题说明：该文包括了基于Matlab的遗传算法解决TSP问题的基本说明，并在文后附录了实现该算法的所有源代码。
此代码经过本人的运行，没有发现错误，结果比较接近理论最优值，虽然最优路径图有点交叉。
因为本人才疏学浅，本报告及源代码的编译耗费了本人较多的时间与精力，特收取下载积分，还请见谅。
若有什么问题，可以私信，我们共同探讨这一问题。
希望能对需要这方面的知识的人有所帮助！1.问题介绍旅行商问题(Traveling Salesman Problem，简称TSP)是一个经典的组合优化问题。
它可以描述为：一个商品推销员要去若干个城市推销商品，从一个城市出发，需要经过所有城市后，回到出发地，应如何选择行进路线，以使总行程最短。
从图论的角度看，该问题实质是在一个带权完全无向图中。
找一个权值最小的Hemilton回路。
其数学描述为：设有一个城市集合其中每对城市之间的距离(),i j d c c R +∈，求一对经过C中每个城市一次的路线()12,,n c c c ΠΠΠ⋯使()()()1111min ,,n i n i i d c c d c c −ΠΠΠΠ+=+∑其中()12,,12n n ΠΠΠ⋯⋯是，的一个置换。
2.遗传算法2.1遗传算法基本原理遗传算法是由美国J.Holland 教授于1975年在他的专著《自然界和人工系统的适应性》中首先提出的，它是一类借鉴生物界自然选择和自然遗传机制的随机化搜索算法。
遗传算法模拟自然选择和自然遗传过程中发生的繁殖、交叉和基因突变现象，在每次迭代中都保留一组候选解，并按某种指标从解群中选取较优的个体，利用遗传算子(选择、交叉和变异)对这些个体进行组合，产生新一代的候选解群，重复此过程，直到满足某种收敛指标为止。
遗传算法，在本质上是一种不依赖具体问题的直接搜索方法，是一种求解问题的高效并行全局搜索方法。
遗传算法在模式识别、神经网络、图像处理、机器学习、工业优化控制、自适应控制、负载平衡、电磁系统设计、生物科学、社会科学等方面都得到了应用。
硕士生考查课程考试试卷考试科目：MATLAB教程考生姓名：考生学号：学院：专业：考生成绩：任课老师(签名)考试日期：20 年月日午时至时《MATLAB教程》试题：A、利用MATLAB设计遗传算法程序，寻找下图11个端点的最短路径，其中没有连接的端点表示没有路径。
要求设计遗传算法对该问题求解。
acdefhik121683179467294211B、设计遗传算法求解f(x)极小值，具体表达式如下：要求必须使用m函数方式设计程序。
C、利用MATLAB编程实现：三名商人各带一个随从乘船渡河，一只小船只能容纳二人，由他们自己划行，随从们密约，在河的任一岸，一旦随从的人数比商人多，就杀人越货，但是如何乘船渡河的大权掌握在商人手中，商人们怎样才能安全渡河？D、结合自己的研究方向选择合适的问题，利用MATLAB进行实验。
以上四题任选一题进行实验，并写出实验报告。
选择题目： A 一、问题分析（10分）123456891011121683179467294211如图如示，将节点编号，依次为 1.2.3.4.5.6.7.8.9.10.11，由图论知识，则可写出其带权邻接矩阵为：0 2 8 1 500 500 500 500 500 500 5002 0 6 500 1 500 500 500 500 500 5008 6 0 7 500 1 500 500 500 500 5001 500 7 0 500 500 9 500 500 500 500500 1 500 500 0 3 500 2 500 500 500 500 500 1 500 3 0 4 500 6 500 500 500 500 500 9 500 4 0 500 500 1 500 500 500 500 500 2 500 500 0 7 500 9 500 500 500 500 500 6 500 7 0 1 2 500 500 500 500 500 500 1 500 1 0 4 500 500 500 500 500 500 500 9 2 4 0 注：为避免计算时无穷大数吃掉小数，此处为令inf=500。
问题要求求出任意两点间的最短路径，Floyd算法采用的是在两点间尝试插入顶点，比较距离长短的方法。
我思考后认为，用遗传算法很难找到一个可以统一表示最短路径的函数，但是可以对每一对点分别计算，然后加入for循环，可将相互之间的所有情况解出。
观察本题可发现，所有节点都是可双向行走，则可只计算i到j的路径与距离，然后将矩阵按主对角线翻折即可得到全部数据。
二、实验原理与数学模型（20分）实现原理为遗传算法原理：按所选择的适应度函数并通过遗传中的复制、交叉及变异对个体进行筛选，使得适应度高的个体被保留下来，组成新的群体，新的群体既继承了上一代的信息，又优于上一代。
这样周而复始，群体中个体适应度不断提高，直到满足一定的条件。
数学模型如下：设图由非空点集合和边集合组成，其中又设的值为，故可表示为一个三元组则求最短路径的数学模型可以描述为：实验具体：第一：编码与初始化因采用自然编码，且产生的编码不能重复，于是我采用了randperm函数产生不重复的随机自然数。
因解题方法是使用的是计算每一对点，则我们编码时将第一个节点单独放入，合并成完整编码。
因为节点有11个，可采用一个1行11列的矩阵储存数据，同时，由于编号为数字，可直接使用数字编码表示路径的染色体。
具体如下：采用等长可变染色体的方式，例如由2到9的路径，染色体编码可能为（2，5，1，8，4，6，9，3，10，7，11），超过9之后的编码，用来进行算子的运算，不具备实际意义。
第二：计算适应度，因取最短路径值，即最小值，常用方法为C-F(x)或C/F(x)（C为一常数），此处采用前一种方式。
于是，可进一步计算相对适应度。
第三：选择与复制采用轮盘赌算法，产生一个随机值，比较它与累计相对适应度的关系，从而选择出优良个体进入下一代。
第四：交叉。
因编码是不重复的数字，所以采用传统的交叉方法，即上一行与下一行对位交叉，会产生无效路径，于是，采用了不同的交叉方法，具体如下：（1）在表示路径的染色体Tx 和Ty中，随机选取两个基因座（不能为起点基因座）i和j, 即将i个基因座和第j个基因座之间的各个基因座定义为交叉域，并将交叉的内容分别记忆为temp1和temp2。
（2）根据交叉区域中的映射关系，在个体Tx中找出所有与temp2相同的元素，在个体Ty中找出所有与temp1相同的元素，全部置为0。
（3）将个体Tx、Ty进行循环左移，遇到0就删除，直到编码串中交叉区域的左端不再有0：然后将所有空位集中到交叉区域，而将交叉区域内原有的基因依次向后移动。
因0元素可能较多，在程序实现时，我是将非零元素提出，后面再合成。
（4）将temp2插入到Tx的交叉区域，temp1插入到Ty的交叉区域。
形成新的染色体[1]。
第五：变异染色体编码为从1到11的无重复编码，所以不能采用一般的生成一个随机数替代的办法。
此处采用交换变异法。
即随机产生两个数，交换两个节点的顺序。
例：则新染色体编码为：三、实验过程记录（含基本步骤、程序代码及异常情况记录等）（60分）首先，写程序，修复Bug。
然后，调试种群数量，遗传代数，交叉概率，变异概率等，不断运行程序，以达到较理想的状态。
有一次异常情况：算出来的最短距离均为0，最短路径没有终点出现，经过分析发现，因为交叉处的代码较复杂，弄错了一点，导致新基因有部分为非法基因。
最后采用提出非零数值组成向量，再合成新基因的方式解决。
Matlab程序代码如下：clc;clear;%初始化参数%注：popsize=200,MaxGeneration=100,约跑2分钟。
若不要求太精确，可减少循环次数。
pointnumber=11; %节点个数Popsize=200; %种群规模，只能取偶数（因67行的循环）MaxGeneration=100; %最大代数Pc=0.8;Pm=0.3; %交叉概率和变异概率A=[0 2 8 1 50 50 50 50 50 50 502 0 6 50 1 50 50 50 50 50 508 6 0 7 50 1 50 50 50 50 501 50 7 0 50 50 9 50 50 50 5050 1 50 50 0 3 50 2 50 50 5050 50 1 50 3 0 4 50 6 50 5050 50 50 9 50 4 0 50 50 1 5050 50 50 50 2 50 50 0 7 50 950 50 50 50 50 6 50 7 0 1 250 50 50 50 50 50 1 50 1 0 450 50 50 50 50 50 50 9 2 4 0]; %带权邻接矩阵。
A(A==50)=500; %取值50过小而修正为500；Bestindividual=zeros(MaxGeneration,1);outdistance=zeros(11,11);outpath=cell(11,11); %用于存放11个点相互之间的最短路径%****** 生成初始种群******for a=1:pointnumber %起点的编号%a=1;tempvary=[1 2 3 4 5 6 7 8 9 10 11];tempvary(a)=[]; %暂时剔除起点tempmatrix=a*ones(Popsize,1); %将起点单独放一矩阵path=zeros(Popsize,pointnumber-1); %声明矩阵大小，避免减慢速度for i=1:Popsizetemprand=randperm(pointnumber-1);path(i,:)=tempvary(temprand(1:end)); %生成一系列剔除起点的随机路线endpath=[tempmatrix path]; %合成包括起点的完整路线[row,col]=size(path);for b=a:pointnumber %终点的编号%b=10;for k=1:1:MaxGenerationfor i=1:rowposition2=find(path(i,:)==b); %找出终点在路线中的位置pathlong(i)=0;for j=1:position2-1pathlong(i)=pathlong(i)+A(path(i,j),path(i,j+1));endend%计算适应度Fitness=length(A)*max(max(A))-pathlong; %因要求最小值，采且常数减函数值构造适应度Fitness=Fitness./sum(Fitness);%****** Step 1 : 选择最优个体******Bestindividual(k)=min(pathlong);[Orderfi,Indexfi]=sort(Fitness); %按照适应度大小排序Bestfi=Orderfi(Popsize); %Oderfi中最后一个即是最大的适应度BestS=path(Indexfi(Popsize),:); %记录每一代中最优个体的路线%****** Step 2 : 选择与复制操作******temppath=path;roulette=cumsum(Fitness);for i=1:PopsizetempP=rand(1);for j=1:length(roulette)if tempP<roulette(j)break;endendpath(i,:)=temppath(j,:);end%************ Step 3 : 交叉操作************temppath2=path;for i=1:2:rowtempP2=rand(1);if(tempP2<rand(1))temPm2=fix((rand(1)+0.2)*10); %因起点基因不能改变temPm3=fix((rand(1)+0.2)*10); %随机取出两个位置为2到11基因座temPm4=min(temPm2,temPm3);temPm5=max(temPm2,temPm3);temp1=path(i,temPm4:temPm5); %将两点之间的基因储存，方便交叉temp2=path(i+1,temPm4:temPm5);[c d]=find(ismember(path(i,:),temp2));path(i,d)=0; %找出i行在i+1行取出区域中的数，置为0[e f]=find(ismember(path(i+1,:),temp1));path(i+1,f)=0; %找出i+1行在i行取出区域中的数，置为0[g h]=find(path(i,:)~=0);v1=path(i,h); %取出i行的非零元素，成一向量[l m]=find(path(i+1,:)~=0);v2=path(i+1,m); %取出i+1行的非零元素，成一向量path(i,:)=[v1(1:temPm4-1) temp2 v1(temPm4-1+size(temp1):end)];path(i+1,:)=[v2(1:temPm4-1) temp1 v2(temPm4-1+size(temp2):end)]; %基因交叉endendpath(Popsize,:)=BestS;%************ Step 4: 变异操作**************for i=1:PopsizetempPm=rand(1);if(tempPm<Pm)temPm6=fix((rand(1)+0.2)*10);temPm7=fix((rand(1)+0.2)*10); %产生两个用于交换的随机数tempvessel=path(i,temPm6); %交换前用一临时容器存放数据path(i,temPm6)=path(i,temPm7);path(i,temPm7)=tempvessel; %变异交换endendpath(Popsize,:)=BestS;end[aa bb]=find(BestS==b); %找出终点Bestpath=BestS(1:bb); %剔除后面无用的点，留下实际路线outdistance(a,b)=Bestindividual(k); %将最短距离写入矩阵outpath{a,b}=Bestpath; %写入路径，因数据类型为矩阵，所以采用元胞数组储存endendfor i=1:pointnumberfor j=1:ioutdistance(i,j)=outdistance(j,i); %实现距离的对称outpath{i,j}=fliplr(outpath{j,i}); %实现路径的对称与翻转endend%*************** 结果输出*****************outdistancecelldisp(outpath)%xlswrite('tempdata.xls', outpath) %存入excel中进行操作四、实验结果与总结（10分）距离矩阵：a(i,j) i表示起点，j表示终点。
