使用比赛风格遗传算法解决tsp问题。人口普查的初步建设使用一个随机排列方法以及贪婪的方法使算法更加高效。
%功能:tsp_ga_basic计算的最小tsp路线距离
%的xy点。使用一个随机混合遗传算法初始化种群
%的贪婪算法和随机排列
%的输入:
% nStops:总数量交付停止(或城市)
% popSize:遗传算法初始人口规模试验
% numIter:迭代概算,直到收敛
% xy:停止的坐标(城市或交付地点)
%输出:
% globalMin:距离最小的路线
% optEnergy:能源消耗由典型的联邦快递的卡车
% optRoute:最佳tsp路线基于xy坐标
% GA遗传算法使用比赛方法变异类型。
%初始化:
%(1)计算每个xy坐标的距离其他xy
%协调距离矩阵质素。
%的身体:
%(1)随机生成的数量
%(2)找到min-cost所有流行的(试验);保持最佳流行成员和阴谋。
%(3)重组(重组)流行一个新的比赛
%(4)亚群体流行分成4组。
% 4的找到最好的;覆盖从亚群体流行最糟糕的4
%(5)变异的每个子群4(冠军)
%(6)插入4(冠军)和所有的突变回人口
%(7)如果迭代的预算,到步骤2,否则终止。
%终止:基于迭代的预算。
%
%用法:
%
%的例子输入:
% nStops = 50;%的数量交付blimp-drone停止
% popSize = 400;%的人口规模的试验。
% numIter = 1500;%的GA的迭代次数;迭代的预算。
% xy = 10 *兰德([nStops 2]);
% tsp_ga_basic (popSize numIter, xy,α,范围)