基于遗传算法求解选址问题matlab代码

以下是一个简单的基于遗传算法求解选址问题的Matlab代码示例：

% 假设有5个候选地点，需要在其中选择3个地点进行投资
% 目标是使得选择的3个地点的收益最大
% 选址问题可以看作是一个01背包问题
% 遗传算法求解

% 初始化参数
n = 5; % 候选地点数量
m = 3; % 选址数量
pop_size = 20; % 种群大小
max_gen = 100; % 最大迭代次数
pc = 0.8; % 交叉概率
pm = 0.1; % 变异概率

% 初始化候选地点的收益
profits = [10 20 5 30 15];

% 随机生成初始种群
pop = round(rand(pop_size, n));

% 迭代求解
for gen = 1:max_gen
    % 计算种群中每个个体的适应度
    fitness = pop * profits';
    % 选择
    [~, idx] = sort(fitness, 'descend');
    pop = pop(idx(1:pop_size), :);
    % 交叉
    for i = 1:pop_size/2
        if rand < pc
            % 随机选择两个个体进行交叉
            p1 = pop(randi(pop_size), :);
            p2 = pop(randi(pop_size), :);
            % 随机选择交叉点
            k = randi(n-1);
            % 交叉
            c1 = [p1(1:k) p2(k+1:end)];
            c2 = [p2(1:k) p1(k+1:end)];
            % 更新种群
            pop = [pop; c1; c2];
        end
    end
    % 变异
    for i = 1:pop_size
        if rand < pm
            % 随机选择一个基因进行变异
            k = randi(n);
            pop(i, k) = 1 - pop(i, k);
        end
    end
end

% 输出结果
fitness = pop * profits';
[~, idx] = sort(fitness, 'descend');
best_pop = pop(idx(1), :);
best_profit = profits * best_pop';
disp(['最佳选址方案为：', num2str(find(best_pop)), '，收益为：', num2str(best_profit)])

该代码实现了一个简单的遗传算法求解选址问题的过程，其中包括了随机生成初始种群、计算适应度、选择、交叉和变异等步骤。最终输出了最佳选址方案和对应的收益。需要注意的是，该示例中的遗传算法并不是最优的，仅供参考。