遗传算法学习（附代码）
遗传算法的主要流程
1 函数解读
1.1 randperm
作用：随机产生一个由数字1~n组成的无重复序列
p = randperm(n) 返回行向量，其中包含从 1 到 n（包括二者）之间的整数随机置换
p = randperm(n,k) 返回行向量，其中包含在 1 到 n（包括二者）之间随机选择的 k 个唯一整数
>> randperm(6)
ans =
6 3 5 1 2 4
>> randperm(6,3)
ans =
1 5 6
1.2 randi
均匀分布的伪随机整数
>> randi(10,5,1)
ans =
10
5
9
2
5
>> randi([-5,5],10,1)
ans =
5
3
5
2
-5
4
5
2
3
3
1.3 eliminate
expr = eliminate(eqns,vars)
消除eqns中的vars
>> syms x y
eqns = [x*y/(x-2) + y == 5/(y - x), y-x == 1/(x-1)]
eqns =
[ y + (x*y)/(x - 2) == -5/(x - y), y - x == 1/(x - 1)]
>> eliminate(eqns,x)
ans =
6*y^2 - 5*y - 75
1.4 find(x~=a)
find :查找非零值
>> x = [1 34 56 29 12 64]
x =
1 34 56 29 12 64
>> x(find(x ~=56))
ans =
1 34 29 12 64
1.5 round
Y = round(X) 将 X 的每个元素四舍五入为最近的整数
Y = round(X,N) 四舍五入到 N 位数：
- N > 0：舍入到小数点右侧的第 N 位数
- N = 0：四舍五入到最接近的整数
- N < 0：舍入到小数点左侧的第 N 位数
>> X = 1.2354
X =
1.235400000000000
>> round(X)
ans =
1
>> round(X,2)
ans =
1.240000000000000
1.6 ceil
向正无穷舍入
>> X = [-1.9 -0.2; 5.6 7]
X =
-1.900000000000000 -0.200000000000000
5.600000000000000 7.000000000000000
>> ceil(X)
ans =
-1 0
6 7
2解决tsp问题的主要代码
2.1 初始化种群
Road=ones(SizeScale,n);%初始化路径矩阵Road()
for i=1:SizeScale
Road(i,:)=randperm(n);%随机生成初始种群（路径矩阵）
end
iter=1;
MinestRoad_fval=ones(MaxIter,1);%初始化最短里程矩阵MinestRoad_fval()
MinestRoad_opt=ones(MaxIter,n);%初始化最短里程路径矩阵
while iter<=MaxIter
Dist=zeros(SizeScale,1);%初始化里程矩阵Dist，用于存储每条路径的里程值
for i=1:SizeScale
for j=1:(n-1)
Dist(i)=Dist(i)+DistMatrix(Road(i,j),Road(i,j+1));
end
Dist(i)=Dist(i)+DistMatrix(Road(i,1),Road(i,n));、
end
2.2 适应度计算
fitmatrix=ones(SizeScale,1);
[MinRoad A]=min(Dist(:,1));%计算出最小里程值
MaxRoad=max(Dist(:,1)); %计算出最大里程值
for i=1:SizeScale
fitmatrix(i)=fitness(MinRoad,MaxRoad,Dist(i));
end
2.3 选择
[c p]=sort(fitmatrix(:,1));%对适应度值进行升序排列，c中存放升序排列适应度的值，p中存放的是c对fitmatrix()的索引，即适应度值对应的fitmatrix()中的第几行
change=20;%选出适应度值最小路径数目
for i=1:change
Road(p(i),:)=Road(p(SizeScale),:);%选出适应度值最小的20条路径，用适应度值最大的路径替换
end
Roadnew=Road;
2.4 交叉
%%%%%%%%%%%%交叉操作%%%%%%%%%%%%
for i=1:SizeScale
u=randi([1 SizeScale],2,1);
s=u(1);
t=u(2);
if rand(1)每次操作后计算最短里程路径
Dist=zeros(SizeScale,1);
for i=1:SizeScale
for j=1:(n-1)
Dist(i)=Dist(i)+DistMatrix(Road1(i,j),Road1(i,j+1));
end
Dist(i)=Dist(i)+DistMatrix(Road1(i,1),Road1(i,n));
end
[MinRoad2 B]=min(Dist);
MaxRoad=max(Dist(:,1));
for i=1:SizeScale
fitmatrix(i)=fitness(MinRoad2,MaxRoad,Dist(i));
end
2.5 变异（单点交叉）
k=1;
[d p]=sort(fitmatrix(:,1));
while k<=SizeScale
c=randi([1 n],2,1);
pos1(1,:)=c(1,:);%随机产生交叉点
pos2(1,:)=c(2,:);%随机产生交叉点
rk=rand();
if rk<=pm&&k~=p(SizeScale) %是否进行变异
temp=Road1(p(k),pos1);
Road1(p(k),pos1)=Road1(p(k),pos2);
Road1(p(k),pos2)=temp;
end
k=k+1;
end
2.6 最优路径
if (MinRoad2>MinRoad)&&(MinRoad3>MinRoad)
MinestRoad=MinRoad;
D=A;
Road(D,:)=Road(A,:);
else
if (MinRoad>MinRoad2)&&(MinRoad3>MinRoad2)
MinestRoad=MinRoad2;
D=B;
Road(D,:)=Roadnew(B,:);
else
MinestRoad=MinRoad3;
D=C;
Road(D,:)=Road1(C,:);
end
end
MinestRoad_fval(iter,1)=MinestRoad;%本代最小里程值
MinestRoad_opt(iter,:)=Road(D,:);%本代最优路径
iter=iter+1;
Road=Road1;
end
[MinestRoad a]=min(MinestRoad_fval);%取路径里程最小值
opt=MinestRoad_opt(a,:)%输出最优路径
fval=MinestRoad%输出最短里程
A=a %得到最优路径的迭代次数