标签：city min %% pop MATLAB coordinate 遗传算法 TSP distance
目录
0.先上程序
1.绪论+研究背景
2.研究方法
3.使用遗传算法编写TSP问题
4.参考
本节内容是为了对之前程序篇内容的解释，如下章节
实战1：基于遗传算法解决旅行商问题的MATLAB编程（1）程序篇
实战1：基于遗传算法解决旅行商问题的MATLAB编程（2）绪论、研究背景以及研究方法
3.使用遗传算法编写TSP问题
（1）自己给定城市的坐标，这里举例用20个城市。
%% Define cities coordination
city20=[29 54;71 76;74 78;81 71;25 38;58 35;4 50;
13 40;18 40;24 98;71 44;64 60;69 58;83 69;58 69;54 63;51 67;37 84;
41 94;3 85];（2）定义初始化变量，如种群个数，编码对象个数，迭代次数，实际迭代次数，变异概率，交叉概率等等
N=20; %城市数
city_coordinate=city20; %城市位置，前面已经给点城市的数量，则可以确定城市的坐标。（8,15,20,30）
s=100; %样本数（种群）
c=30; %替换个数
pc=0.8; %交叉概率crossover
pm=0.1; %变异概率mutation
times=3000; %最大迭代次数
time=0; %实际迭代次数（3）初始化变量，不同种群位置的矩阵定义、最短距离，最短路径编码排布
%%初始化变量，设定总群，总适应度以及最短距离以及最小距离。
pop=zeros(s,N+1); %初始种群+适应度,之所以加N+1，因为最后还要回到原点。
pop_fit_aver=[];%总适应度
min_dis=[]; %最短距离
pop_min=[];%最短距离的基因（4）初始化种群，使用randperm为每一个种群产生随机的编码（随机的城市排布）
%初始化，其中s为种群数
for i=1:s
pop(i,1:N)=randperm(N); %%randperm函数产生1-N内任意排列的N维数组。
end（5）标出城市的位置用圆点，给城市位置编码并作图
plot(city_coordinate(:,1),city_coordinate(:,2),'bo');%画平均适应度折线图 //一个列向量作为自变量，另一个列向亮作为应变量。
%%变量处理：城市间
for i=1:N
test_t=num2str(i); %%将变量类型转换为浮点型数
text(city_coordinate(i,1),city_coordinate(i,2),test_t);%标号 行不变，列改变
end
grid on;
title('城市坐标分布图');
xlabel('x');
ylabel('y');（6）效果图，可以清晰知道城市的位置，城市的编码序号排布。
function [city_distance] = CityDistance(city_coordinate,N)%城市距离矩阵
city_distance=zeros(N,N); %%通过zeros构造
for i=1:N
for j=1:N
city_distance(i,j)=((city_coordinate(i,1)-city_coordinate(j,1))^2+...
(city_coordinate(i,2)-city_coordinate(j,2))^2)^0.5; %%matlab是以矩阵的思维编写的，则每个距离都会存入city_diatance
end
end
end代码解释：
由于我们知道城市坐标的位置，这样可以使用勾股定理求出任意两个城市之间的距离
city_distance之所以赋值为N BY N，是因为自己跟自己的距离在接下来城市距离计算中也存在。
通过双for循环，配合城市坐标，采用勾股定理求出距离，并填入相应两个城市之中。
回到主程序（GeneticAlgorithm_TSP.m）调用该函数。
city_distance=CityDistance(city_coordinate,N);%城市间距离function [individual_fit,num,min_distance,index] = GroupFit(city_distance,N,pop,s)%种群适应度
individual_distance=zeros(s,1); %%目的是求得最短路劲的值，给定INDIVIDUAL为sx1的矩阵
for j=1:s
sum_distance=0;
for i=1:N-1
sum_distance=sum_distance+city_distance(pop(j,i),pop(j,i+1));
end
sum_distance=sum_distance+city_distance(pop(j,N),pop(j,1)); %%最后回到起点
individual_distance(j,1)=sum_distance; %%individual_distance是一个列矩阵
end
[min_distance,index]=min(individual_distance); %%找到最短的距离
individual_fit=1./individual_distance; %%分子越小，分母越大
num=0;
for i=1:s
num=num+individual_fit(i,1);
end
end代码解释：
individual_distance 是用来接收不同种群的路径的距离（编码城市不同会产生不同的旅行距离）。
其中： individual_fit=1./individual_distance; （适应度函数变换，因为我们要求最小值，取反，求最大值即可）
不懂的朋友可以参考：https://www.cnblogs.com/yanshw/p/14749809.html 这篇文章，讲的很详细。
sum =所有列举种群中距离之和。
回到主程序，调用适应度库函数。
%适应度函数编写
[individual_fit,sum,min1,min_index]=GroupFit(city_distance,N,pop,s);
%%通过城市距离；城市数。pop（城市的随机分布）。s是城市分布的例子个数
sumP=sum;
pop_fit_aver=[pop_fit_aver;sum]; %%构造总群适应度函数
min_dis=[min_dis;min1]; %%构造最小距离 min_dis=min1
pop(:,N+1)=individual_fit; %%列矩阵的个体适应度函数
pop_min=[pop_min;pop(min_index,:)];此时 min_dis 是最短种群编码的路径距离。
此时pop = （S x（N+1）），具体内容如下：
POP_min 具体内容如下
function [pop_ok]=selection(pop,N,s,c)%选择父代
pop=sortrows(pop,N+1);
for i=1:c
pop(i,:)=pop(s+1-i,:);
end
randIndex=randperm(size(pop,1));
pop=pop(randIndex,:);
pop_ok=pop;
end代码解释：
其中c在之间定义，替换的个数=30。
sortrows函数在help中的解释：（升序）
size 函数
size（A）=返回矩阵尺寸的行向量
size(A,1dim)=返回矩阵的行数
size（A,2dim）=返回矩阵的列数
size(A,3dim) =返回矩阵的第三维度dimension
返回主函数，下面解释选择算子在主函数中的作用。
%% 选择父代
pop=selection(pop,N,s,c);
for i=1:times
time=time+1;
E_new_new=[]; %子代
for j=1:s/2
a=rand(1);
b=rand(1);代码解释：
X = rand(n) 返回一个 n×n 的随机数矩阵。
times：迭代次数
time： 实际迭代次数
交叉算子：交叉分为单点交叉和多点交叉。与传统的遗传算法不同的是，进行交叉不能整体替换，即替换后
结果访问的城市不能有重复或者依然是1-N的排列方式。
function [a,b]=Crossover(pop1,pop2,crosspoint,N)%交叉
A=pop1;
if(crosspoint(:,1)<crosspoint(:,2)) %%由于交叉的位置是随机的，有可能是从小到大，也有可能是从大到小
pop1(crosspoint(:,1):crosspoint(:,2))=pop2(crosspoint(:,1):crosspoint(:,2));
pop2(crosspoint(:,1):crosspoint(:,2))=A(1,crosspoint(:,1):crosspoint(:,2));
while 1
tbl = tabulate(pop1(1:N)); %%Create Frequency table
if (tbl(:,3)<=(100/N)) %%如果个数超过一个就退出循环
break;
end
[pop1,pop2]=SwapRepeat(tbl,pop1,pop2,crosspoint(:,1),crosspoint(:,2),N);%%执行存在重复的编码问题
end
else
pop1(crosspoint(:,2):crosspoint(:,1))=pop2(crosspoint(:,2):crosspoint(:,1));
pop2(crosspoint(:,2):crosspoint(:,1))=A(1,crosspoint(:,2):crosspoint(:,1));
while 1
tbl = tabulate(pop1(1:N));
if (tbl(:,3)<=(100/N))
break;
end
[pop1,pop2]=SwapRepeat(tbl,pop1,pop2,crosspoint(:,2),crosspoint(:,1),N);
end
end
a=pop1;b=pop2;
end代码解释：
（1）交换本质：如同C语言中的交换变量：
temp =A
A =B
B =Ttemp
（2）tubelate 函数生成线性表格
SwapRepeat.m （交换函数，为了是将某一个种群中重复的编码去掉）
function [a,b]=SwapRepeat(tbl,pop1,pop2,c1,c2,N)%基因去重
i=100/N;
for k=1:(c1-1) %%从左侧开始找起
if tbl(pop1(k),3)>i %%数重复出现
kk=find(pop1(c1:c2)==pop1(k))+c1-1; %%发现重复数在原本数组中的位置
kkk=pop1(k); %%备份自变量在k时的值
pop1(k)=pop2(kk); %%pop1和pop2
pop2(kk)=kkk; %%pop2
end
end
for k=c2+1:N %%从右侧开始找起
if tbl(pop1(k),3)>i
kk=find(pop1(c1:c2)==pop1(k))+c1-1;
kkk=pop1(k);
pop1(k)=pop2(kk);
pop2(kk)=kkk;
end
end
a=pop1;
b=pop2;
end代码解释：
上图：简单明了。
主函数调用算子：
%% 交叉crossover
if a>pc
;
else
crosspoint=rand(1,2);
crosspoint=floor(crosspoint*N)+1;
[pop(j,:),pop(j+s/2,:)]=Crossover(pop(j,:),pop(j+s/2,:),crosspoint,N);
end代码解释：
pc:交叉概率
X = rand( 返回由随机数组成的 sz1,...,szN)sz1×...×szN 数组，其中 sz1,...,szN 指示每个维度的大小。例如：rand(3,4) 返回一个 3×4 的矩阵。（生成一个由介于 0 和 1 之间的均匀分布的随机数组成的 5×5 矩阵）
function [a]=Mutation(pop0,N)%变异
crosspoint=rand(1,2); %%随机产生一个1x2的，范围在0-1内的向量Vector
crosspoint=floor(crosspoint*N)+1;
if(crosspoint(:,1)<crosspoint(:,2))
sub=pop0(crosspoint(:,1):crosspoint(:,2));
sub=SwapGene(sub,crosspoint(:,1),crosspoint(:,2));
pop0(crosspoint(:,1):crosspoint(:,2))=sub;
else
sub=pop0(crosspoint(:,2):crosspoint(:,1));
sub=SwapGene(sub,crosspoint(:,2),crosspoint(:,1));
pop0(crosspoint(:,2):crosspoint(:,1))=sub;
end
a=pop0;
end代码解释：
（1）crosspoint 接收随机变异点
（2）判断两个点是大小，从小到大还是从大到小
使用sub = 截取pop0中相应变异点的值
（3）使用SwapGene库函数交换变异点
（4）替换
图片解释：
其中算子 SwapGene.m
function [a]=SwapGene(sub,c1,c2)%交换
kk=ceil((c2-c1)/2);
kkk=(c2-c1)+2;
for k=1:kk
kkkk=sub(k);
sub(k)=sub(kkk-k);
sub(kkk-k)=kkkk;
end
a=sub;
end代码解释：之所以kkk = c2-c1 本来数量角度需要加1，但是为了能够表示最后一位数之后的数，就需要加2
上述代码中交换的方式：
传统的穷举交换方式：
变异算子在主函数的调用
%% 变异mutation
if b>pm
;
else
pop(j,:)=Mutation(pop(j,:),N);
pop(j+s/2,:)=Mutation(pop(j+s/2,:),N);
end代码解释：
pm：变异概率0.1
（1）适应度函数sum
（2）目标函数集合（每代最小值的集合）min_dis
（3）最终迭代完后保留下来的种群的内容写入E_new_new中
（4）每代种群最优编码方式集合 pop_min
（5） E_new_new=[]; 每次迭代都美重新更新
E_new_new=[E_new_new;pop(j,:);pop(j+s/2,:)]; %%每次迭代保留优秀种群写入E_new_new中
end
[individual_fit,sum,min1,min_index]=GroupFit(city_distance,N,E_new_new,s);
%%适应度向量，适应度函数，最小距离，最小距离下标
%%参数：城市距离矩阵，城市数，每代最优种群的几何，种群数
sumS=sum;
pop_fit_aver=[pop_fit_aver;sum]; %%适应度函数
min_dis=[min_dis;min1]; %%每次迭代的最小值的向量集合
E_new_new(:,N+1)=individual_fit; %%目标函数（城市之间的距离）
pop_min=[pop_min;E_new_new(min_index,:)];
if(abs(sumS-sumP)<0.001)%退出条件 %%迭代的条件
break;
end
pop=selection(E_new_new,N,s,c); %%选择算子
end
[a,min_index]=min(min_dis); %%min函数可以求得 该向量min_dis最小值和最小值所在的indextime1=1:time+1; %%为什么要加1，因为没有迭代前，原始种群也有一个最小值
figure%画平均适应度折线图
plot(time1,min_dis,'k.');
grid on;
title('每代最小值散点图');
xlabel('迭代的次数');
ylabel('最短的距离');
效果图
figure%画总适应度折线图
plot(time1,pop_fit_aver);
grid on;
title('总适应度折线图');
xlabel('迭代次数');
ylabel('每代总适应度');效果图
figure%画最优路径
DrawPath(city_coordinate,pop_min,min_index,N) %%参数：城市坐标，每次迭代最小种群的编码方式，最小在种群index，城市数量
grid on;
title('最优路径图');
xlabel('x');
ylabel('y');效果图
这里讲一下DrawPath.m
function DrawPath(city_coordinate,E_new_new,min_index,N)%画路径图 %% %%参数：城市坐标，每次迭代最小种群的编码方式，最小在种群index，城市数量
k=E_new_new(min_index,1:N) %%去掉适应度的值
%plot(kkk(:,1),kkk(:,2),'b');%画平均适应度折线图
plot(city_coordinate(:,1),city_coordinate(:,2),'bo');
hold on;
for i=1:N-1
plot([city_coordinate(k(i),1),city_coordinate(k(i+1),1)],[city_coordinate(k(i),2),city_coordinate(k(i+1),2)],'r','LineWidth',2);
test_t=num2str(i);
text(city_coordinate(k(i),1),city_coordinate(k(i),2),test_t);
hold on;
end
test_t=[num2str(N)];
text(city_coordinate(k(N),1),city_coordinate(k(N),2),test_t);
plot([city_coordinate(k(N),1),city_coordinate(k(1),1)],[city_coordinate(k(N),2),city_coordinate(k(1),2)],'r','LineWidth',2)
end注意点：最后一个城市返回出发点的城市。
plot([city_coordinate(k(N),1),city_coordinate(k(1),1)],[city_coordinate(k(N),2),city_coordinate(k(1),2)],'r','LineWidth',2)
Refrence ：
1.https://blog.csdn.net/qcyfred/article/details/76731706
2.https://www.cnblogs.com/yanshw/p/14749809.html
date：20220601/1:37:31 PM
六一儿童节的礼物，加油！
标签：city,min,%%,pop,MATLAB,coordinate,遗传算法,TSP,distance 来源： https://www.cnblogs.com/sophiaecho/p/16314561.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。