使用MATLAB遗传算法将100项任务分给18个人，使总工作时间最短的代码

以下是使用MATLAB遗传算法实现将100项任务分给18个人，使总工作时间最短的代码示例：

% 任务分配问题的遗传算法实现

% 定义任务数量和人员数量
num_tasks = 100;
num_people = 18;

% 定义个体长度和种群大小
chrom_length = num_tasks;
pop_size = 100;

% 定义遗传算法参数
pc = 0.8; % 交叉概率
pm = 0.01; % 变异概率
max_gen = 100; % 最大迭代次数

% 定义任务分配矩阵，初始随机生成
pop = randi([0,1], pop_size, chrom_length);

% 定义适应度函数
fitness_func = @(x) 1/total_time(x, num_people);

% 迭代优化过程
for i = 1:max_gen
    % 计算每个个体的适应度值
    fitness = zeros(pop_size, 1);
    for j = 1:pop_size
        fitness(j) = fitness_func(pop(j,:));
    end
    
    % 选择操作
    [~, idx] = sort(fitness, 'descend');
    elite = pop(idx(1:2), :);
    new_pop = zeros(pop_size, chrom_length);
    for j = 1:pop_size-2
        p1 = pop(randi([1, pop_size]), :);
        p2 = pop(randi([1, pop_size]), :);
        new_pop(j,:) = crossover(p1, p2, pc);
        new_pop(j,:) = mutation(new_pop(j,:), pm);
    end
    pop = [elite; new_pop];
end

% 打印最优解和最短的总工作时间
[~, idx] = max(fitness);
best_solution = pop(idx,:);
best_time = total_time(best_solution, num_people);
disp(['最短的总工作时间为：', num2str(best_time)]);

% 定义计算总工作时间的函数
function t = total_time(chrom, num_people)
    task_time = randi([1, 10], 1, size(chrom, 2));
    people_time = zeros(1, num_people);
    for i = 1:size(chrom, 2)
        idx = find(chrom(:,i));
        if ~isempty(idx)
            people_time(idx(1)) = people_time(idx(1)) + task_time(i);
        end
    end
    t = sum(people_time);
end

% 定义交叉操作函数
function child = crossover(p1, p2, pc)
    child = p1;
    if rand() < pc
        pos = randi([1, length(p1)]);
        child(pos:end) = p2(pos:end);
    end
end

% 定义变异操作函数
function mut_chrom = mutation(chrom, pm)
    mut_chrom = chrom;
    if rand() < pm
        pos = randi([1, length(chrom)]);
        mut_chrom(pos) = 1 - chrom(pos);
    end
end

在这个示例中，我们使用随机数生成了每个任务的时间，并根据遗传算法中的操作进行了优化。最后输出了最优解和最短的总工作时间。需要注意的是，由于遗传算法是一种随机算法，每次运行可能得到不同的结果。