辽阳市网站建设_网站建设公司_HTML_seo优化

遗传算法—旅行商问题(TSP)优化 Matlab代码可用于路径规划，物流配送，路径优化 源码+注释 数据可以修改 多少个坐标都行 帮忙改数据就是另外的价钱[旺柴] 代码一经售出概不退换！望理解

直接上硬货！今天咱们聊聊怎么用遗传算法干翻旅行商问题（TSP），手把手教你用Matlab实现路径优化。别被算法名字吓到，其实就是模拟生物进化来找最优路线，跟玩贪吃蛇找最短路线差不多。

先看核心代码结构，老规矩先定义城市坐标。咱们直接用矩阵存坐标，想改多少城市随便：

citys = [18,54; 87,76; 74,78; 71,71; 25,38; 58,35; 4,50; 13,40; 18,40; 24,42]; % 城市坐标矩阵

重点来了！种群初始化这段骚操作，注意看怎么生成不重复的随机路径：

function pop = init_pop(pop_size, city_num) pop = zeros(pop_size, city_num); for i = 1:pop_size pop(i,:) = randperm(city_num); % 这行是关键，生成随机排列 end end % 这相当于给每个染色体（路径）随机打乱城市顺序，保证初始多样性

适应度函数才是灵魂，这里用距离倒数作为适应度值，距离越短适应度越高：

function fitness = calculate_fitness(pop, citys) [N,~] = size(pop); fitness = zeros(N,1); for i = 1:N path = pop(i,:); fitness(i) = 1 / (total_distance(path, citys) + eps); % 加eps防止除零 end end % 这里有个坑：直接算总距离容易数值爆炸，取倒数更稳定

交叉操作我偏爱顺序交叉（OX），亲测比单点交叉效果好。来看这段魔鬼代码：

function [child1, child2] = crossover(parent1, parent2) len = length(parent1); % 随机选两个切点 cx1 = randi([1,len-1]); cx2 = randi([cx1+1,len]); % 中间段直接遗传 child1 = zeros(1,len); child1(cx1:cx2) = parent1(cx1:cx2); % 填充剩余位置（顺序保持父代2） ptr = 1; for gene = [parent2(1:cx1-1), parent2(cx2+1:end)] while ismember(gene, child1) gene = mod(gene, len) + 1; end if ptr < cx1 child1(ptr) = gene; ptr = ptr + 1; elseif ptr > cx2 child1(ptr) = gene; ptr = ptr + 1; else ptr = cx2 + 1; end end % 同理生成child2... end % 这种交叉方式能有效保留优秀路径片段

变异操作别太狠，我一般用交换变异，随机选两个位置互换：

function mutated = mutation(indiv) r = sort(randperm(length(indiv),2)); mutated = indiv; mutated(r(1)) = indiv(r(2)); mutated(r(2)) = indiv(r(1)); end % 简单粗暴但有效，保持种群多样性就靠它了

几个实战经验：

1. 种群规模别太小，至少50起步，城市多的话直接上200
2. 变异概率0.01~0.1之间调，太高变随机搜索
3. 迭代到后期可以动态调整交叉概率
4. 可视化路线用这个：

plot(citys(path,1), citys(path,2), 'o-');

实测30个城市迭代500代，最优路径长度能收敛到稳定值。代码里我埋了个彩蛋——按F5运行会自动播放进化过程动画，看着路线越来越顺超解压！

需要换自己的数据？直接把citys矩阵替换成你的坐标就行，支持任意数量城市（但超过1000个城市建议换算法）。代码已封装成函数，调用姿势：

best_route = ga_tsp(citys, 'PopulationSize',100, 'MaxGen',300);

最后说句大实话：遗传算法容易陷入局部最优，建议配合模拟退火或者蚁群算法搞融合算法。不过对于大多数物流配送场景，这个代码已经能打趴90%的路径问题了。