优化 Matlab代码可用于路径规划，物流配送)
遗传算法代码 旅行商问题(TSP)优化 Matlab代码可用于路径规划，物流配送，路径优化 源码+注释 数据可以修改 多少个坐标都行 帮忙改数据就是另外的价钱[旺柴] 代码一经售出概不退换！望理解
最近在折腾路径优化的问题，发现用遗传算法干TSP（旅行商问题）特别有意思。今天咱们直接上代码，手把手看看Matlab怎么玩转这个经典问题。先甩个效果图：算法能在50代内把随机路径收敛到稳定状态，亲测100个城市坐标跑起来也不卡。
先来点硬核的——种群初始化。这段代码的妙处在于用randperm生成不重复的随机路径：
function pop = init_pop(pop_size, city_num) pop = zeros(pop_size, city_num); for i = 1:pop_size pop(i,:) = randperm(city_num); % 这行是关键，生成无重复的随机排列 end end适应度计算才是重头戏。注意这里用倒数处理，路径越短适应度越高：
function fitness = calculate_fitness(pop, dist_matrix) [pop_size, city_num] = size(pop); fitness = zeros(pop_size, 1); for i = 1:pop_size route = pop(i,:); fitness(i) = 1 / total_distance(route, dist_matrix); % 精髓在这，距离转适应度 end end交叉操作采用改良版OX交叉，比传统交叉更能保持优良基因。看这个两段式随机切点：
child = parent1; cross_points = sort(randperm(length(parent1),2)); % 随机选两个切点 middle_part = parent2(cross_points(1):cross_points(2)); child = setdiff(parent1, middle_part, 'stable'); % 去重操作 child = [child(1:cross_points(1)-1), middle_part, child(cross_points(1):end)];变异策略用了逆转变异，比简单交换更有效。这段代码能在O(n)时间复杂度完成片段逆转：
mutate_pos = sort(randperm(length(individual),2)); % 随机选变异区间 individual(mutate_pos(1):mutate_pos(2)) = fliplr(individual(mutate_pos(1):mutate_pos(2)));实测案例：把城市坐标改成你自己的数据，直接在city_coords数组里怼坐标就行。比如要处理30个配送点：
city_coords = [ 12, 56; % 第1个点 34, 78; % 第2个点 ... % 中间随便加 89, 23 % 第30个点 ];运行时会动态显示收敛曲线，每一代的最优路径自动刷新。建议把种群大小调到城市数量的1.5倍，变异概率设在0.02-0.08之间效果最佳。
注意事项（说正经的）：
- 数据格式必须是N行2列的矩阵
- 城市数量超过500建议先做区域划分
- 遇到死循环多半是距离矩阵有零值（自查坐标是否重复）
- 改需求真的要加钱（认真脸）
最后说句大实话：这算法可能不是最优解，但绝对是平衡时间成本和求解质量的性价比之选。物流调度、巡检路径、甚至旅行路线规划都能直接套用，改个参数的事。代码已做向量化处理，跑个200城市的案例也就一杯咖啡的时间。
