题目描述：
现有20个客户点，7个可供配送的配送中心以及一个发件网点，客户点有不同数量的货物要求，现需要发件网点向若干个配送中心提供货物，再由配送中心提供给客户，保证每个客户由一个配送中心完成配送工作并且满足配送要求。目标为在保证客户要求的前提下达到成本最小，并给出具体的配送方案。
目标函数：
其中，第一个目标函数是从发件网点到配送中心所运输成本，第二个约束函数为从配送中心到客户的运输成本，第三个约束为建立配送中心所需要的费用，第四个目标函数为每个配送中心的管理成本。
约束函数：
符号意义：
求解：
本文选择遗传算法进行求解，算法框图如下：
算法编程难点在于对解集的建立和变换，对于这种复杂的解集，本文采用matlab的元胞数组建立解集，如下图所示。
每一行代表一个个体，也就是一个解。
对于每一行来说，第一个数字表示建立配送中心的个数
第二个数组表示配送中心的编号，例如populationMat{1,2}=[3,5,1]，代表的含义为选择第3,5,1号配送。
第三列数组表示每个配送中心所服务的客户数目。例如populationMat{1,3}=[9,5,6]，代表,3号配送中心服务9个客户，5号配送中心服务5个客户，1号配送中心服务6个客户。
第四列数组代表客户的编号，populationMat{1,3}=[2 3 1 4 5 15 17 13 16 19 12 20 11 8 18 6 7 10 9 14]，代表3号配送中心服务9个客户，客户编号分别是2 3 1 4 5 15 17 13 16。5号配送中心服务5个客户，分别是19 12 20 11 8,以此类推。
以下是整个函数的主程序部分，函数总体是按照遗传算法框图不走来写的，初始化种群，计算适应度，选择，交叉，变异...
%% 清空变量clear;clc;%% 用户自定义数据[customerPosition,distriCenterPosition,sendPosition,distriCenterConstantCost,distriCenterVolume,... distriCenterManageCost,sendToDistriCenterPer,distriCenterToCustomerPer,customerRequirement] = DataFunction;probabilityMat = [0.01,0.05,0.3,0.3,0.2,0.1,0.04];% probabilityMat = ones(1,7)/7;% probabilityMat = [0 0 0 1 0 0 0];%% 用户不可修改数据M = size(distriCenterPosition,1); %配送中心的数目N = size(customerPosition,1); %客户的数目if length(probabilityMat)~=M || abs(sum(probabilityMat)-1)>=1e-6 error('参数probabilityMat的大小与配送中心数目不一致或probabilityMat加和不为1');end%% 遗传算法数据populationNumber = 50; %种群数量pro = 0.1; %变异概率populationMat = cell(populationNumber,4); %种群数据矩阵iter = 1; %当前迭代次数iterMax = 1000; %最大迭代次数bestValue = inf;bestValueNow = inf;bestValueMat = zeros(populationNumber,1);bestSolve = cell(1,4);%% 初始化个体populationMat = InitializeIndividuality(populationMat,populationNumber,M,N,probabilityMat,customerRequirement,distriCenterVolume,distriCenterPosition,customerPosition);while iter<=iterMax if iter<iterMax/2 pro = 0.5; else pro = 0.05; end %% 计算适应度 p = CalcuFitCapacity(populationMat,sendPosition,distriCenterPosition,sendToDistriCenterPer,customerPosition,distriCenterToCustomerPer,distriCenterConstantCost,distriCenterManageCost,populationNumber); %% 选择 populationMat = SelectionFunction(populationMat,populationNumber,p); %% 交叉 populationMat = CrossFunction(populationMat,populationNumber,customerRequirement,distriCenterVolume,distriCenterPosition,customerPosition,N); %% 变异 populationMat = HeteromorphosisFunction(populationMat,probabilityMat,pro,populationNumber,M,N,customerRequirement,distriCenterVolume,distriCenterPosition,customerPosition); %% 寻找最优解 [bestValueNow,bestSolveNow] = CalcuBestIndividuiality(populationMat,populationNumber,sendPosition,distriCenterPosition,sendToDistriCenterPer,customerPosition,distriCenterToCustomerPer,distriCenterConstantCost,distriCenterManageCost); if bestValueNow<bestValue bestValueMat(iter) = bestValueNow; bestValue = bestValueNow; bestSolve = bestSolveNow; else bestValueMat(iter) = bestValue; end iter = iter+1;end%% 画图DrawPicture(bestSolve,distriCenterPosition,customerPosition,sendPosition)%% 迭代关系图figureplot(1:iterMax,bestValueMat,'r-','LineWidth',1);xlabel('迭代次数(代)')ylabel('配送费用(万元)')title('迭代次数与每代最优解关系图')legend('每代最优解')grid on%% 输出结果disp(['选取的配送中心为:',num2str(bestSolve{1,2}),',总费用为:',num2str(bestValue),'万元']);numberMat = cumsum(bestSolve{1,3});for k1 = 1:bestSolve{1,1} if k1 == 1 disp(['第',num2str(bestSolve{1,2}(k1)),'个配送中心对应的客户为:',num2str(bestSolve{1,4}(1:numberMat(k1)))]); else disp(['第',num2str(bestSolve{1,2}(k1)),'个配送中心对应的客户为:',num2str(bestSolve{1,4}(numberMat(k1-1)+1:numberMat(k1)))]); endend以下是运行结果：
获取代码方式：遗传算法求解选址问题
自己手写遗传算法求解选址问题代码，对于初学者很友好，算法通俗易懂，代码有注释，可以直接运行。内有算法手把手教学视频，逐行讲解代码，对于matlab初学者在理解和编程上有很大的帮助
代码纯自己手动编写，支持原创，感谢配合。
不支持售后，视频内容十分详细，有代码参数的讲解，代码编写的讲解，看完视频即可有对代码的全部理解。
代码只可用来做日常学习，不可用于售卖以及商业用途，违者追究法律责任，望重视！！！
