遗传算法选址问题代码

遗传算法（Genetic Algorithm, GA）通常用于优化问题，包括选择问题。在GA中，选址策略决定了如何从种群中选择个体进行繁殖，这直接影响到算法性能。常见的选址策略有轮盘赌选择、锦标赛选择、顺序选择等。

这里是一个简单的遗传算法中使用轮盘赌选择（Roulette Wheel Selection）的例子，假设我们有一个问题的目标函数值存储在一个向量`fitness_values`中，我们需要选择适应度较高的个体：

% 假设 fitness_values 是一个一维数组，表示每个个体的适应度值
fitness_values = [10, 5, 20, 7, 15]; % 假设这是个小型种群

% 计算累计适应度值 (Cumulative Fitness)
cum_fitness = cumsum(fitness_values) / sum(fitness_values);

% 使用轮盘赌概率来随机选择个体索引
num_individuals = length(cum_fitness);
selected_indices = rand(1, num_individuals) < cum_fitness;

% 返回选中的个体的索引
selected_individuals = find(selected_indices); % 注意这里的find是为了找到对应的原始索引

在这个例子中，`rand(1, num_individuals)`生成了一个0到1之间的均匀分布数组，与`cum_fitness`相比得到每个个体被选择的概率。然后根据这些概率选择相应的索引。