基于matlab多旅行商MTSP问题，利用遗传算法求解多旅行商问题的算法设计，输出MTSP路径。 相互独立路径，同一起点路径。 程序已调通，可直接运行。
直接上干货！咱们今天用Matlab整一个多旅行商问题的遗传算法解决方案。这个MTSP问题说白了就是多个旅行商从同一个起点出发，各自走不同的路线，最后都得回到起点。关键点在于怎么合理分配任务，让总路程最短。
先看核心数据结构。染色体用整数编码，比如[0,3,5,0,2,4,0]表示三个旅行商的路径（0是起点）。注意每个路径段必须包含起点且不能重复访问城市：
function pop = init_pop(popsize, n_city, n_salesman) pop = zeros(popsize, n_city + n_salesman -1); for i=1:popsize genes = randperm(n_city-1) + 1; % 排除起点 split_points = sort(randsample(2:length(genes), n_salesman-1)); chromosome = [0, genes(1:split_points(1)-1), 0, genes(split_points(1):end)]; % 后续补充分割点... pop(i,:) = chromosome; end end这个初始化函数通过随机分割点生成初始种群。有意思的是split_points的生成方式——相当于在基因序列里随机插入分隔符，确保每个旅行商至少访问一个城市。
适应度函数直接看总路径长度，这里用矩阵运算加速计算：
function fitness = calc_fitness(pop, dist_mat) fitness = zeros(size(pop,1),1); for i=1:size(pop,1) route = pop(i,:); route(route==0) = 1; % 起点对应距离矩阵索引 total_dist = 0; for j=2:length(route) total_dist = total_dist + dist_mat(route(j-1), route(j)); end fitness(i) = 1/total_dist; % 倒数转换 end end这里有个技巧：把适应度设为路程的倒数，这样路程越短适应度越高，方便后续轮盘赌选择。
交叉操作采用改进的OX交叉，特别注意保留起点位置：
function [child1, child2] = crossover(parent1, parent2) % 找出非零位置作为有效基因 mask1 = parent1 ~= 0; valid_genes1 = parent1(mask1); % 随机选择交叉区间... % 保留起点结构的同时进行基因重组 end变异环节加入三种策略：交换突变、逆序突变和插入突变。实测插入突变对路径优化效果显著：
function mutated = mutation(chromosome) if rand < 0.3 % 插入突变 non_zero = chromosome(chromosome~=0); pos = randi(length(non_zero)-1); insert_gene = non_zero(pos); new_chrom = [non_zero(1:pos-1), non_zero(pos+1:end)]; insert_pos = randi(length(new_chrom)); mutated = [new_chrom(1:insert_pos), insert_gene, new_chrom(insert_pos+1:end)]; % 补充分隔点... end end跑完算法后记得可视化结果，用不同颜色区分旅行商路线：
figure; hold on; colors = hsv(n_salesman); for k=1:n_salesman route = best_route{k}; plot(citys(route,1), citys(route,2), 'Color', colors(k,:), 'Marker','o'); end title(['总路程: ', num2str(total_dist)]);调试时踩过的坑：一定要保证分割点后的路径至少包含一个城市，否则会出现"空跑"的旅行商。另外距离矩阵建议提前计算好，避免在循环里重复计算拖慢速度。
完整代码跑起来之后，输入30个城市、5个旅行商，迭代200代大概需要15秒左右（i5处理器）。最终路线像彩色蜘蛛网一样从起点辐射出去，总路程比单旅行商方案减少60%以上。想要源码的老铁评论区吱一声，咱们继续深入交流！
