在一个100*100的区域内随机生成10个目标点，生成目标点之间的距离矩阵，并求出遍历每个目标点最短距离的目标函数，每个目标点只被访问一次

好的，您的问题是在一个100*100的区域内随机生成10个目标点，生成目标点之间的距离矩阵，并求出遍历每个目标点最短距离的目标函数，每个目标点只被访问一次。这是一个更为复杂的问题，需要使用一些优化算法来求解。

一个常用的优化算法是遗传算法。遗传算法是一种通过模拟生物进化过程来优化问题的算法。在这个问题中，我们可以将每个解（即遍历每个目标点的路径）表示为一个序列，然后使用遗传算法来搜索最优解。具体来说，我们可以将一个解表示为一个长度为10的序列，每个元素表示访问的目标点的编号。例如，[0, 5, 2, 8, 3, 7, 1, 4, 6, 9] 表示先访问第0个目标点，然后访问第5个目标点，以此类推。

下面是一个使用遗传算法求解这个问题的示例代码：

import random
import numpy as np
from scipy.spatial import distance_matrix
from deap import base, creator, tools

# 随机生成10个目标点
targets = np.array([[random.randint(0, 99), random.randint(0, 99)] for _ in range(10)])

# 计算目标点之间的距离矩阵
dist_matrix = distance_matrix(targets, targets)

# 定义遗传算法相关参数
creator.create("FitnessMin", base.Fitness, weights=(-1.0,))
creator.create("Individual", list, fitness=creator.FitnessMin)
toolbox = base.Toolbox()
toolbox.register("indices", random.sample, range(10), 10)
toolbox.register("individual", tools.initIterate, creator.Individual, toolbox.indices)
toolbox.register("population", tools.initRepeat, list, toolbox.individual)
toolbox.register("mate", tools.cxOrdered)
toolbox.register("mutate", tools.mutShuffleIndexes, indpb=0.05)
toolbox.register("select", tools.selTournament, tournsize=3)
toolbox.register("evaluate", lambda ind: sum([dist_matrix[ind[i-1]][ind[i]] for i in range(len(ind))]) + dist_matrix[ind[-1]][ind[0]])

# 运行遗传算法
pop = toolbox.population(n=100)
hof = tools.HallOfFame(1)
stats = tools.Statistics(lambda ind: ind.fitness.values)
stats.register("avg", np.mean)
stats.register("min", np.min)
pop, log = algorithms.eaSimple(pop, toolbox, cxpb=0.5, mutpb=0.2, ngen=100, stats=stats, halloffame=hof, verbose=False)

# 输出最优解
best_ind = hof[0]
print(best_ind)
print(best_ind.fitness.values)

这个代码会输出一个遍历每个目标点最短距离的路径，以及它对应的目标函数的值。注意，遗传算法可能会收敛到局部最优解，因此需要多次运行以获得更好的结果。另外，这个问题的规模较小，遗传算法是一种比较通用的优化算法，对于更大规模的问题，可能需要使用更为专业的算法。