利用matlab改进遗传算法并给出求解程序

遗传算法是一种比较成熟的智能算法，一般通过改进遗传算法的算子达到提高算法性能的目的。提出一种改进的遗传算法，遗传算子是基于近邻选择策略设计的，另外还对评估函数、种群多样性以及保留精英算子等方面对遗传算法进行了改进，并将其应用到旅行商问题的求解上，实验结果表明提出的算法是有效的。

为了解决传统遗传算法中易早熟和陷入局部最优，造成收敛慢，效率低的问题，提出了一种改进的遗传算法GBLSA(Genetic Based on Link-State Algorithm)。对遗传算法的基本算子进行改进，其中将链路状态算法强大的寻优能力融入交叉算子中，保证个体逐代进化。引入与遗传代数相关的自适应概率，提高了遗传算法的搜索效率和收敛速度。仿真实验表明，与传统遗传算法和TSPLIB标准值相比，提出的方法得到的结果路径更优，效率更高。

几种改进遗传算法的性能比较

改进遗传算法的C++实现。种群初始化采用联赛竞争，保证种群基因优良；轮盘赌选择略有改进；交叉变异概率自适应，相比固定的概率效果提升极为明显。变异步长自适应，避免固定步长找不到最优解的风险。用复杂变态多峰函数测试效果十分不错，相比二进制编码遗传算法精度优势明显。

研究针对遗传算法（GA）提出了一种新的变异算子，并将其应用于动态环境下移动机器人的路径规划问题。移动机器人的路径规划在障碍物环境中发现从起始节点到目标节点的可行路径。 通过利用其强大的优化能力，遗传算法已被广泛用于生成最优路径。虽然简单遗传算法或其他改进的变异算子中的常规随机变异算子会导致不可行路径，但所提出的变异算子不会并且避免早熟收敛。为了证明所提出的方法的成功，它被应用于两种不同的动态环境，并且与之前在文献中改进的GA研究进行了比较。与所提出的变异算子相比，遗传算法寻找最优路径的次数要多得多，并且比其他方法收敛得更快。

采用遗传算法，对分布式电源进行选址定容计算，考虑环境因素

多车场多车型车辆路径问题的改进遗传算法,车辆路径问题(Vehicle routing problem,VRP)由Dantzing和Ramser于1959年首次提出,它是指对一系列发货点(或收货点),组织适当的行车路线,满足客户的需求,并在一定的约束条件下,达到一定的目标(诸如路程最短、成本最小、耗费时间尽量少等), 属于NP难度问题。

改进遗传算法求解TSP问题的Matlab程序设计