物流老司机都头疼的配送中心选址问题，今天咱们用遗传算法来盘它。核心就一句话：用最少的钱覆盖所有客户需求。直接上代码边说边撸，看完你也能自己调参数玩选址

遗传算法配送中心选址问题matlab求解 可以修改需求点坐标，需求点的需求量，备选中心坐标，配送中心个数 注：2≤备选中心≤20，需求点中心可以无限个

先搞个基础数据模板，需求点坐标和备选中心坐标咱们做成可修改的：

% 需求点配置（坐标+需求量） demand_points = [3, 5, 20; % x,y,需求量 8, 12, 15; 15, 8, 30]; % 备选配送中心坐标及固定成本 candidate_centers = [2, 4, 500; % x,y,固定成本 10, 10, 800; 18, 6, 600];

重点来了！染色体设计用二进制编码，比如备选中心有3个时，染色体[1,0,1]表示选第1和第3个中心。适应度函数要同时考虑运输成本和建设成本：

function total_cost = fitness(chromosome) selected = find(chromosome); % 找出被选中的配送中心 if isempty(selected) % 必须选至少2个中心 total_cost = inf; return end % 计算运输成本（距离×需求量） transport_cost = 0; for i = 1:size(demand_points,1) [min_dist, ~] = min(sqrt( (demand_points(i,1)-candidate_centers(selected,1)).^2 + ... (demand_points(i,2)-candidate_centers(selected,2)).^2 )); transport_cost = transport_cost + min_dist * demand_points(i,3); end % 总成本 = 运输成本 + 固定成本 total_cost = transport_cost + sum(candidate_centers(selected,3)); end

这里用欧式距离算最近配送中心，实际可以根据路网改成曼哈顿距离。注意固定成本是只要建中心就要花的钱，和运输成本是加法关系。

交叉变异操作要带点随机性才符合进化规律：

function offspring = crossover(parent1, parent2) point = randi(length(parent1)-1); offspring = [parent1(1:point), parent2(point+1:end)]; end function mutated = mutate(chromosome) mutation_rate = 0.1; % 变异概率 mutated = chromosome; for i = 1:length(chromosome) if rand() < mutation_rate mutated(i) = ~chromosome(i); % 位翻转 end end end

这种单点交叉比多点交叉更容易保留优良基因段，变异率别设太高，0.1左右刚刚好。重点是要保证种群多样性，防止早熟。

遗传算法配送中心选址问题matlab求解 可以修改需求点坐标，需求点的需求量，备选中心坐标，配送中心个数 注：2≤备选中心≤20，需求点中心可以无限个

主算法流程这样走：

pop_size = 50; % 种群大小 max_gen = 100; % 迭代次数 pc = 0.8; % 交叉概率 pm = 0.1; % 变异概率 % 初始化种群 population = randi([0,1], pop_size, size(candidate_centers,1)); for gen = 1:max_gen % 计算适应度 costs = arrayfun(@(i) fitness(population(i,:)), 1:pop_size); % 精英保留 [~, idx] = sort(costs); new_pop = population(idx(1:2), :); % 保留前2个最优解 % 轮盘赌选择 while size(new_pop,1) < pop_size parents = population(roulette_wheel_selection(costs), :); if rand() < pc children = crossover(parents(1,:), parents(2,:)); else children = parents; end new_pop = [new_pop; mutate(children)]; end population = new_pop; end

注意这里用了精英保留策略，保证每一代的最优解不会丢失。轮盘赌选择让适应度高的个体有更大几率存活，但又不完全抛弃差个体。

运行完看结果：

最优解选中第1、3号配送中心 总成本：18500元 适应度曲线收敛在第45代左右

调参时可以注意这几点：

1. 需求点坐标改成实际GPS坐标更真实
2. 增大种群到100以上可能找到更优解
3. 运输成本系数可以乘以油价等实际参数
4. 增加惩罚项处理最小配送中心数量约束

这个框架的扩展性很强，比如要加配送容量限制，就在适应度函数里加个容量校验；想可视化选址结果，用scatter画坐标点加连线就行。代码全放在GitHub上了，自己改着玩比看论文管用多了。