急求车辆路径问题遗传算法的matlab代码！！！！

function [path,lmin]=ga(data,d)  %data为点集,d为距离矩阵，即赋铅慧权图

tic

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

sj0=data%开环最短路线

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

% sj0=[datadata(1,:)] %闭环最短路线

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

x=sj0(:,1)y=sj0(:,2)

N=length(x)

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

% 槐族答d(N,:)=d(1,:)%闭环最短路线

% d(:,N)=d(:,1)%距离矩阵d    

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

L=N   %sj0的长度

w=800dai=1000

%通过改良圈算法选取优良穗唤父代A

for k=1:w

c=randperm(L-2)

c1=[1,c+1,L]

flag=1

while flag>0

flag=0

for m=1:L-3

for n=m+2:L-1

if d(c1(m),c1(n))+d(c1(m+1),c1(n+1))<d(c1(m),c1(m+1))+d(c1(n),c1(n+1))

flag=1

c1(m+1:n)=c1(n:-1:m+1)

end

end

end

end

J(k,c1)=1:L

end

J=J/L

J(:,1)=0J(:,L)=1

rand('state',sum(clock))

%遗传算法实现过程

A=J

for k=1:dai %产生0～1 间随机数列进行编码

B=A

c=randperm(w)

%交配产生子代B

for i=1:2:w

F=2+floor(100*rand(1))

temp=B(c(i),F:L)

B(c(i),F:L)=B(c(i+1),F:L)

B(c(i+1),F:L)=temp

end 

%变异产生子代C

by=find(rand(1,w)<0.1)

if length(by)==0

by=floor(w*rand(1))+1

end

C=A(by,:)

L3=length(by)

for j=1:L3

bw=floor(1+fix(rand(1,3)*N))      %产生1-N的3个随机数

bw=sort(bw)

C(j,:)=C(j,[1:bw(1)-1,bw(2)+1:bw(3),bw(1):bw(2),bw(3)+1:L])

end

G=[ABC]

TL=size(G,1)

%在父代和子代中选择优良品种作为新的父代

[dd,IX]=sort(G,2)

temp=[]

temp(1:TL)=0

for j=1:TL

for i=1:L-1

temp(j)=temp(j)+d(IX(j,i),IX(j,i+1))

end

end

[DZ,IZ]=sort(temp)

A=G(IZ(1:w),:)

end

path=IX(IZ(1),:)

% for i=1:length(path)

% path(i)=path(i)-1

% end

% path=path(2:end-1)

lmin=0l=0

for j=1:(length(path)-1)

    t1=path(j)t2=path(j+1)

    l=d(t1,t2)

    lmin=lmin+l

end

xx=sj0(path,1)yy=sj0(path,2)

plot(xx,yy,'r-o')

axis equal

toc

代码亲自前几天还用来着，绝对可用

遗传算法（Genetic Algorithm）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法，它最初由美国Michigan大学J.Holland教授于1975年首先提出来的，并出版了颇有影响的专著《Adaptation in Natural and Artificial Systems》，GA这个名称才逐渐为人所知，J.Holland教授所提出的GA通常为简单遗传算法（SGA）。遗传算法（Genetic Algorithm）是一类借鉴生物界的进化规律（适者生存，优胜劣汰遗传机制）演化而来的随机化搜索方法。它是由美国的J.Holland教授1975年首先提出，其主要特点是直接对结构对象进行 *** 作，不存在求导和函数连续性的限定；具有内在的隐并行性和更好的全局寻优能力；采用概率化的寻优方法，能自动获取和指导优化的搜索空间，自适应地调整搜索方向，不需要确定的规则。遗传算法的这些性质，已被人们广泛地应用于组合优化、机器学习、信号处理、自适应控制和人工生命等领域。它是现代有关智能计算中的关键技术。 对于一个求函数最大值的优化问题(求函数最小值也类同)，一般可以描述为下列数学规划模型:遗传算法族磨 式中为决策变量，为目标函数式，式2-2、2-3为约束条件，U是基本空间，R是U的子集。满足约束条件的解X称为可行解，集合R表示所有满足约束条件的解所组成的集合，称为可行解集合。 遗传算法的基本运算过程如下: a)初始化:设置进化代数计数器t=0，设置最大进化代数T，随机生成M个个兆晌斗体作为初始群体P(0)。 b)个体评价:计算群体P(t)中各个个体的适应度。 c)选择运算:将选择算子作用于群体。选择的目的是把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。选择 *** 作是建立在群体中个体的适应度评估基础上的。 d)交叉运算；将交叉算子作用于群体。所谓交叉是指把两个父代个体的部分结构加以替换重组而生成新个体的 *** 作。遗传算法中起核心作用的就是交叉算子。 e)变异运算:将变异算谨慎子作用于群体。即是对群体中的个体串的某些基因座上的基因值作变动。 群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t 1)。 f)终止条件判断:若tT,则以进化过程中所得到的具有最大适应度个体作为最优解输出，终止计算。

---