遗传算法在机器人竞赛中优化路径选择研究与实现.pdfVIP

代码块1

_

functiongaTSP

%主要由于2016‑5‑8修改

CityNum=12;%您可以选择10,30,50,75[

dislist,Clist]=tsp(CityNum);

inn=30;%初始种群大小

gnmax=500;%最大代数

pc=0.8;%交叉概率pm=0.

8;%变异概率

%生成初始种群s=

zeros(inn,CityNum);fori=1:

inns(i,:)=

randperm(CityNum);end[~,

p]=objf(s,dislist);

gn=1;ymean=zeros(gn,1);ymax=zeros(gn,1);

xmax=zeros(inn,CityNum);scnew=

zeros(inn,CityNum);smnew=

zeros(inn,CityNum);whilegngnmax+1forj=1:

2:innseln=sel(p);%选择操作scro=

cro(s,seln,pc);%交叉操作scnew(j,:)=scro(1,:);

scnew(j+1,:)=scro(2,:);smnew(j,:)=

mut(scnew(j,:),pm);%变异操作smnew(j+1,:)=

mut(scnew(j+1,:),pm);ends=smnew;%产生了

新的种群[f,p]=objf(s,dislist);%计算新种群的适

应度%记录当前代和平均的适应度[

fmax,nmax]=max(f);ymean(gn)=1000/

mean(f);ymax(gn)=1000/fmax;%记录当前代的

最佳

代码块1

functionga_TSP

%mainlyamendedbyZelinZang,2016-5-8

CityNum=12;%youchanchoose10,30,50,75

[dislist,Clist]=tsp(CityNum);

inn=30;%初始种群大小

gnmax=500;%最大代数

pc=0.8;%交叉概率

pm=0.8;%变异概率

%产生初始种群

s=zeros(inn,CityNum);

fori=1:inn

s(i,:)=randperm(CityNum);

end

[~,p]=objf(s,dislist);

gn=1;

ymean=zeros(gn,1);

ymax=zeros(gn,1);

xmax=zeros(inn,CityNum);

scnew=zeros(inn,CityNum);

smnew=zeros(inn,CityNum);

whilegngnmax+1

forj=1:2:inn

seln=sel(p);%选择操作

scro=cro(s,seln,pc);%交叉操作

scnew(j,:)=scro(1,:);

scnew(j+1,:)=scro(2,:);

smnew(j,:)=mut(scnew(j,:),pm);%变异操作

smnew(j+1,:)=mut(scnew(j+1,:),pm);

end

s=smnew;%产生了新的种群

[f,p]=objf(s,dislist);%计算新种群的适应度

%记录当前代和平均的适应度

[fmax,nmax]=max(f);

ymean(gn)=1000/mean(f);

ymax(gn)=1000/fmax;

%记录当前代的最佳

x=s(nmax,:);xmax(gn,:)=x;

drawTSP(Clist,x,ymax(gn),gn,0);gn=gn+1;

_

end[minymax,index]=min(ymax);

drawTSP(Clist,xmax(index,:),min_

ymax,index,1);

figure(2);plot(ymax,r);holdon;

plot(ymean,b);grid;title(搜索过程);legend(

最优解,平均解);fpri