固定成本C1=∑_（i=1）^M（R*（X_i ）+f*（vol_i））。其中，M=5，R=10000，f=5000。X_i 为0-1变量，等于1的时候在备选点i建设冷库，等于0的时候不建设。vol_i已知。那么，固定成本NAGA2遗传算法的MATLAB代码

下面是使用遗传算法求解固定成本的MATLAB代码：

% 定义常量
M = 5;   % 备选点数
R = 10000;  % 建设单位面积成本
f = 5000;  % 固定建设成本
vol = [1000, 2000, 3000, 4000, 5000];  % 各备选点的体积

% 定义适应度函数
fitnessFunc = @(x) sum(R .* vol .* x) + f * sum(x);

% 定义遗传算法参数
popSize = 50;  % 种群大小
eliteCount = 2;  % 精英个数
mutationProb = 0.1;  % 变异概率
generations = 100;  % 迭代次数

% 初始化种群
pop = randi([0, 1], popSize, M);

% 进行遗传算法迭代
for i = 1:generations
    % 计算适应度
    fitness = zeros(popSize, 1);
    for j = 1:popSize
        fitness(j) = fitnessFunc(pop(j, :));
    end
    
    % 选择精英
    [sortedFitness, sortedIndex] = sort(fitness);
    elite = pop(sortedIndex(1:eliteCount), :);
    
    % 选择父代
    parentIndex = randsample(popSize, popSize - eliteCount, true, ...
        1 - sortedFitness / sum(sortedFitness));
    parent = pop(parentIndex, :);
    
    % 交叉
    crossIndex = randsample(M, popSize - eliteCount, true);
    crossMask = zeros(popSize - eliteCount, M);
    for j = 1:popSize - eliteCount
        crossMask(j, crossIndex(j):end) = 1;
    end
    crossMask = logical(crossMask);
    crossedParent = parent(randperm(popSize - eliteCount), :);
    crossed = xor(elite(crossMask, :), crossedParent(crossMask, :));
    
    % 变异
    mutationMask = rand(popSize - eliteCount, M) < mutationProb;
    mutated = xor(crossed, mutationMask);
    
    % 更新种群
    pop = [elite; mutated];
end

% 输出最优解和最优适应度
[bestFitness, bestIndex] = min(fitness);
bestSolution = pop(bestIndex, :);
fprintf('最优解为：%s\n', num2str(bestSolution));
fprintf('最优适应度为：%f\n', bestFitness);

代码的思路如下：

1. 定义常量，包括备选点数、建设单位面积成本、固定建设成本和各备选点的体积；
2. 定义适应度函数，计算给定解的固定成本；
3. 定义遗传算法参数，包括种群大小、精英个数、变异概率和迭代次数；
4. 初始化种群，随机生成0-1矩阵表示每个备选点是否建设冷库；
5. 进行遗传算法迭代，包括计算适应度、选择精英、选择父代、交叉和变异；
6. 输出最优解和最优适应度。

注意，遗传算法的结果可能不是最优解，因为随机性会影响遗传算法的结果。如果需要更精确的结果，可以使用其他优化算法，如线性规划或整数规划。