用遗传算法编写AGV小车路径规划问题的matlab代码

以下是一个简单的AGV小车路径规划问题的遗传算法的Matlab代码示例：

%% 遗传算法路径规划
clc;
clear all;
close all;

%% 参数设置
pop_size = 50; % 种群大小
generation = 100; % 迭代次数
mutation_rate = 0.1; % 变异率
crossover_rate = 0.8; % 交叉率
city_num = 20; % 城市数量

%% 初始化城市坐标
city_x = randi([0, 100], 1, city_num);
city_y = randi([0, 100], 1, city_num);

%% 初始化种群
pop = zeros(pop_size, city_num); % 种群矩阵
for i = 1 : pop_size
    pop(i,:) = randperm(city_num);
end

%% 迭代
best_fit = zeros(1, generation); % 存储每一代的最优适应度
for gen = 1 : generation
    % 计算适应度
    fit = zeros(1, pop_size); % 存储每个个体的适应度
    for i = 1 : pop_size
        fit(i) = fitness(pop(i,:), city_x, city_y);
    end
    
    % 记录最优个体及适应度
    [best_fit(gen), idx] = max(fit);
    best_route = pop(idx,:);
    
    % 输出结果
    fprintf('第 %d 代，最优适应度：%f\n', gen, best_fit(gen));
    fprintf('路径：');
    for i = 1 : city_num
        fprintf('%d ', best_route(i));
    end
    fprintf('\n');
    
    % 选择
    new_pop = zeros(pop_size, city_num); % 存储新一代种群
    for i = 1 : pop_size
        % 轮盘赌选择
        idx1 = select(fit);
        idx2 = select(fit);
        
        % 交叉
        if rand < crossover_rate
            offspring = crossover(pop(idx1,:), pop(idx2,:));
        else
            offspring = pop(idx1,:);
        end
        
        % 变异
        if rand < mutation_rate
            offspring = mutation(offspring);
        end
        
        % 存储新一代个体
        new_pop(i,:) = offspring;
    end
    
    % 更新种群
    pop = new_pop;
end

%% 绘图
figure;
plot(city_x, city_y, 'r*');
hold on;
best_route = [best_route, best_route(1)];
plot(city_x(best_route), city_y(best_route), 'b-');
title('AGV小车路径规划');
xlabel('X坐标');
ylabel('Y坐标');

%% 适应度函数
function f = fitness(route, city_x, city_y)
    d = 0;
    for i = 1 : length(route)-1
        d = d + sqrt((city_x(route(i+1)) - city_x(route(i)))^2 + (city_y(route(i+1)) - city_y(route(i)))^2);
    end
    f = 1 / d;
end

%% 轮盘赌选择
function idx = select(fit)
    p = fit / sum(fit);
    c = cumsum(p);
    r = rand;
    idx = find(c >= r, 1);
end

%% 交叉
function offspring = crossover(parent1, parent2)
    % 随机选择一个交叉点
    n = length(parent1);
    point = randi([1, n-1]);
    
    % 交叉
    offspring = [parent1(1:point), parent2(point+1:end)];
    
    % 处理重复的基因
    for i = 1 : n
        if ~ismember(parent1(i), offspring)
            offspring(offspring==parent2(i)) = parent1(i);
        end
    end
end

%% 变异
function offspring = mutation(parent)
    % 随机选择两个基因进行交换
    n = length(parent);
    idx = randperm(n, 2);
    offspring = parent;
    offspring(idx(1)) = parent(idx(2));
    offspring(idx(2)) = parent(idx(1));
end

这个代码使用遗传算法解决AGV小车路径规划问题。它首先初始化城市坐标和种群，并迭代一定次数来优化路径。在每一代中，它计算每个个体的适应度，选择最优个体，执行交叉和变异操作来产生新的个体，并更新种群。最后，它绘制出所有城市和最优路径。