简介这是一份基于MATLAB实现免疫算法求解配送中心选址问题的完整代码面向物流工程、运筹优化及智能计算方向的师生与开发者可作为组合优化问题启发式算法的研究范例、课程设计或二次开发基础。压缩包内共十六个文件包含十三个m脚本、两个fig界面文件和一份mat数据文件整体仅三十三KB代码模块划分清晰主函数与参数设置、种群初始化、适应度计算、克隆选择、变异操作、免疫记忆等环节彼此独立便于阅读与修改。目前已有641人学习实用性得到一定验证。通过运行主程序可直接复现选址优化全过程界面图可用于观察迭代收敛与配送中心分布变化实验数据文件则提供测试数据。读者既能借此掌握免疫算法求解离散选址问题的完整流程也能针对不同成本结构自行调整适应度函数与参数灵活扩展至其他选址或布局场景从而快速上手MATLAB智能优化算法。1. 配送中心选哪免疫算法凭什么能算配送中心选址不是在地图上画个圈而是要在备选点里挑出一组位置同时处理好覆盖半径、运输成本、容量约束和需求分配。这类问题本质上是 NP-困难 的组合优化规模一大精确求解器就跑不动了。而“免疫算法”Immune Algorithm, IA是这几年在 MATLAB 里最容易被低估的求解器之一它可以和实际工程里的“仓库选址、区域配送、站点规划”任务无缝结合收敛快、参数少而且代码不挑机器。这个标题看起来像个教学压缩包但里面藏着的是一条完整链路把选址问题转化成数学模型用免疫算法搜索解空间再通过 MATLAB 的矩阵运算把计算速度拉起来。适合两类人一类是运筹优化方向的在校生手里有任务书却不知道选址模型怎么落地另一类是物流、供应链领域的技术人员想不依赖商业求解器就做一套可解释的选址决策工具。下面按“问题—算法—代码—调参”的顺序把这条链路拆开保证你拿到代码后改一改参数就能跑自己手里的数据。2. 从问题到模型选址优化的约束与目标函数做优化类项目最忌讳的就是拿到数据就直接调函数。免疫算法本身只是“搜索工具”真正决定结果质量的是输入到算法里的数学模型是否贴合实际。所以在写 MATLAB 代码前先把配送中心选址问题抽象成标准形式。2.1 选址问题的两类常见建模方式配送中心选址在实际工程里有多种变体最常见的是这两类无容量约束的覆盖选址类似于集合覆盖问题从备选点中选择尽量少的配送中心使得所有需求点在某个覆盖半径内都能被服务到。有容量约束的选址-分配模型配送中心数量可以给定每个配送中心有最大处理能力需求点到配送中心的分配必须满足容量限制目标是“固定建设成本 运输成本”最小化。免疫算法的 MATLAB 代码里通常采用的是第二类因为它更贴近真实场景。数学形式写出来是这样决策变量(x_j \in {0,1})表示是否在备选点 (j) 建配送中心(y_{ij} \in {0,1})表示需求点 (i) 是否分配给配送中心 (j)。目标函数(\min \sum_{j} f_j x_j \sum_{i}\sum_{j} c_{ij} y_{ij})其中 (f_j) 是建设成本(c_{ij}) 是需求点到配送中心的运输成本。约束条件每个需求点只分配给一个中心、需求点只能分配给已建的中心、中心容量上限、需求总量不超过所选中心容量总和。如果你打开压缩包里的源文件会发现代码里的适应度函数就是围绕这个目标函数和惩罚项写的。这是这类代码的通用写法带约束的问题不单独写约束处理而是把违反约束的量乘一个系数加到目标函数里变成惩罚。2.2 MATLAB 里怎么表示一份选址方案一份选址方案在 MATLAB 里最自然的表示方式是长度为 N 的 0/1 行向量N 为备选点数量1 表示选中该中心。而需求点到中心的分配关系在免疫算法里通常不直接作为个体编码出现而是在给定一组选址后用“最近分配 容量校验”的方式计算代价。代码结构一般是这样function [score, assign] fitness(individual, demand, dist, capacity, openCost) % individual: 0/1向量标识哪些备选点被选中 % demand: 需求点需求量向量 % dist: 需求点到备选点的距离矩阵或成本矩阵 % capacity: 备选点容量向量 % openCost: 备选点固定建设成本向量 selected find(individual 1); if isempty(selected) score 1e10; assign []; return; end % 最近分配每个需求点选距离最近的已建中心 [dmin, idx] min(dist(:, selected), [], 2); assign selected(idx); % 容量检查惩罚项 totalDemand accumarray(idx, demand, [length(selected), 1]); overLoad sum(max(0, totalDemand - capacity(selected))); % 总成本 建设成本 运输成本 惩罚 score sum(openCost(selected)) sum(dmin) 1.0e6 * overLoad; end这段代码里的1.0e6是惩罚系数作用是让任何违反容量的方案在进化过程中被优先淘汰。实际使用时惩罚系数的数量级应该远大于目标函数正常量级否则算法会倾向于接受不合法方案。你可以用1e3 * 目标函数均值做动态调整也可以先用固定值试一通看输出的解是否越界。2.3 为什么不用遗传算法而选免疫算法这就是标题这个方案最值得讨论的地方。同样处理选址问题遗传算法GA的交叉、变异操作在二进制编码下很容易破坏“好模式”比如已经选出的几组优质中心组合一次交叉就可能被打散。而免疫算法基于“浓度调节”的机制在保留优质个体多样性的同时会抑制与已有优质抗体高度相似的个体。简单说遗传算法在后期容易挤在一堆相似解里出不来免疫算法却会用“浓度惩罚”把相似度高的个体压下去逼算法继续探索地图上其他备选区域。实际跑下来在相同迭代次数下免疫算法在选址这类“多峰、多局部最优” 的问题上往往能找到比标准遗传算法更稳定的次优解。这就是标题把这个算法单独拎出来的原因不是噱头是它在多峰搜索上有结构性的优势。3. 免疫算法的核心机制与 MATLAB 迭代实现这章的定位是把免疫算法从生物学词汇翻译成能在 MATLAB 里跑的步骤。不要被“抗原”“抗体”这类词吓到本质上它就是一套有记忆的群体搜索流程。3.1 算法流程的四个关键操作免疫算法在实现上可以拆成四个模块缺一个效果都会大幅退化抗原识别与初始抗体生成对应到选址问题抗原就是我们要优化的目标函数数学模型抗体就是一组 0/1 选址方案初始群体随机生成每个个体长度等于备选点数量。亲和度计算亲和度就是适应度的反义词——成本越低亲和度越高。在具体代码里可直接定义affinity 1 / (score eps)也可以线性映射。克隆选择与变异高亲和度抗体被选出来克隆若干份然后每个克隆体发生一定概率的变异。这一步是搜索的主力。变异通常做“翻位”——随机把一位从 0 变 1 或从 1 变 0。浓度抑制与记忆更新这是免疫算法区分于普通遗传算法的关键。如果群体中某个抗体与其他抗体相似度过高哪怕它本身亲和度很好也要适当限制它下一代的数量避免群体早熟。同时历史最优解被保存在记忆单元中不参与下一轮变异竞争。3.2 一份可运行的 MATLAB 免疫算法主循环下面给出免疫算法的主循环框架。这是我在自己的选址实验里用的最简版本拿标题里的代码压缩包对照你会发现核心循环基本就是这个骨架。function [bestInd, bestScore, history] immuneAlgorithm(dist, demand, capacity, openCost, params) % params 字段: popSize, maxGen, cloneRate, mutateRate, simThresh popSize params.popSize; maxGen params.maxGen; cloneRate params.cloneRate; mutateRate params.mutateRate; simThresh params.simThresh; n length(openCost); % 随机初始化群体 pop rand(popSize, n) 0.5; pop(1, :) randi([0,1], 1, n) 0; % 至少留一个可行的随机个体 history zeros(maxGen, 1); bestInd []; bestScore inf; for gen 1:maxGen % 计算每个抗体的亲和度成本 scores zeros(popSize, 1); for i 1:popSize [scores(i), ~] fitness(pop(i,:), demand, dist, capacity, openCost); end % 记录历史最优 [minScore, idx] min(scores); if minScore bestScore bestScore minScore; bestInd pop(idx, :); end % 克隆选择按亲和度排序并克隆 [~, order] sort(scores); selected order(1:round(popSize * 0.5)); newPop []; for k selected cloneNum ceil(cloneRate * popSize / max(scores)); clones repmat(pop(k,:), cloneNum, 1); % 变异 for j 1:cloneNum for m 1:n if rand mutateRate clones(j, m) 1 - clones(j, m); end end end newPop [newPop; clones]; end % 浓度抑制删除与记忆最优解相似度过高的抗体保留一部分随机个体 sims pdist2(newPop, bestInd, hamming); keepIdx find(sims simThresh); if length(keepIdx) popSize keepIdx [keepIdx; randi([1, size(newPop,1)], popSize - length(keepIdx), 1)]; end pop newPop(keepIdx(1:popSize), :); history(gen) bestScore; end end3.3 代码里的关键参数怎么设上面这段代码可以直接运行但要跑出好的结果几个参数必须根据你的数据规模做调整参数含义推荐取值范围调试经验popSize抗体群规模40200备选点数量超过 50 时建议不低于 80太小容易陷入早熟maxGen最大迭代代数2002000先用小代数验证代码是否报错再逐步加大cloneRate克隆倍数520克隆越多局部搜索越强但计算量也线性增大mutateRate变异概率0.010.1备选点较多时变异概率建议取 0.05 以上否则翻位太少simThresh浓度抑制阈值0.050.2与汉明距离归一化相关值越小抑制越强这些参数之间并不独立。克隆倍数高时变异概率可以适当降低避免群体被变异噪声淹没反过来变异概率高时浓度阈值要放宽否则算法很难保留足够多的多样性个体。4. 选址实例跑测参数校准与结果对比理论说再多不如跑一组数据看效果。这章用一个可复现的算例把代码串起来20 个备选点、80 个需求点。运行环境是 MATLAB R2023b不依赖任何工具箱。4.1 构造一份可运行的选址数据先用随机函数生成需求点和备选点坐标再计算距离矩阵。实际项目里这一部分会替换成 GIS 坐标或真实运输成本但在验证阶段随机数据足够暴露算法 bug。rng(42); nDemand 80; nSite 20; demandPos rand(nDemand, 2) * 100; sitePos rand(nSite, 2) * 100; demand randi([10, 100], nDemand, 1); capacity randi([200, 600], nSite, 1); openCost randi([500, 2000], nSite, 1); dist pdist2(demandPos, sitePos);注意randi的容量范围必须覆盖需求总量否则无论怎么选点容量约束都无法满足。一种快速检查方法是sum(capacity) sum(demand)不满足就把capacity的下限调大。4.2 跑通最小验证先别急着调参直接在命令行运行主函数params.popSize 60; params.maxGen 200; params.cloneRate 10; params.mutateRate 0.08; params.simThresh 0.15; [bestInd, bestScore, history] immuneAlgorithm(dist, demand, capacity, openCost, params); % 用朴素贪心做对比基准 [~, baseAssign] min(dist, [], 2); baseCost sum(openCost) sum(min(dist, [], 2)); fprintf(免疫算法结果: %.2f\n, bestScore); fprintf(贪心基准成本: %.2f所有点全开\n, baseCost);运行后的合理预期是免疫算法找到的总成本低于“全开所有备选点”的成本。为什么这个对比有意义因为所有备选点全开时运输成本最低但建设成本最高而免疫算法要做的就是在建设成本与运输成本之间找平衡。如果跑出来的结果高于全开成本说明算法搜索深度不够应先调大maxGen而不是急着改变异率。4.3 成本构成分析与结果验证跑通后把选中的配送中心数量与成本拆开看selIdx find(bestInd 1); fprintf(选中配送中心数量: %d\n, length(selIdx)); fprintf(建设成本: %.2f\n, sum(openCost(selIdx))); [~, assignIdx] min(dist(:, selIdx), [], 2); fprintf(运输成本: %.2f\n, sum(dist(sub2ind(size(dist), (1:nDemand), assignIdx))));正常情况下免疫算法的运输成本会略高于全开方案但建设成本大幅下降因此总成本占优。这个结构如果反过来了——即运输成本异常高、建设成本也没省多少——多数情况是变异率太小导致搜索空间覆盖不足。把mutateRate提到 0.12 再跑一次通常能拉开差距。4.4 多峰问题的浓度抑制效果检验这是最值得专门验证的点。将simThresh从 0.15 调到 0.5其它参数不动同一份数据连跑 10 次。统计 10 次结果的最优值和标准差浓度阈值最优成本均值标准差平均耗时0.5几乎不抑制偏低但波动明显大短0.15正常抑制稍高但稳定小中0.05强抑制可能找不到最优极小长出现这个规律的原因是选址问题天然多峰强抑制会阻碍算法停留在某个山谷深挖弱抑制又会让群体快速收敛到某个偶然发现的局部峰。实际操作中比较实用的做法是前 30% 的迭代用弱抑制simThresh0.5做广谱搜索后 70% 逐步收紧到 0.1 附近让算法进入精细搜索。可以在主循环里写成simThresh 0.5 - 0.4 * (gen / maxGen)这样的线性衰减实现成本几乎为零。5. 代码改造与调参收敛技巧从能跑到跑好一封压缩包的代码跑通只是开始。真正决定结果的是你能不能把算法压进自己的数据里。这一章写一下我在实际项目里总结的、场景适配时最常动的几个地方惩罚系数怎么调、编码方式什么时候该换、浓度阈值和变异率怎么联动。5.1 惩罚系数不是越大越好不少人在 fitness 函数里写死一个1e10的惩罚系数以为越大越安全。实际上惩罚系数过大会把搜索空间里的“弱可行解”全部压没算法会倾向于选择完全避开容量边界的保守方案导致成本上升。合理的惩罚系数应该是“刚好比违反约束时多付出的代价多一点点”这个值可以用统计方法来估计先随机生成 1000 个抗体计算它们的成本均值和超容量均值然后用1.2 * mean(cost) / mean(overload)这个比例做初值。5.2 大备选点规模下的编码改造当备选点数量超过 80 甚至 100 时0/1 向量的二进制编码会让搜索空间膨胀到 (2^{100}) 量级免疫算法的克隆变异会变得很慢。这时建议把编码从“是否选该点”换成“索引向量”个体不再是 0/1 数组而是 0 到 N−1 的整数数组重复值表示选重复的备选点由外层去重长度固定为期望的配送中心数量。这种编码方式的优势是无论群体怎么变异个体的长度始终等于中心数量不会出现全部基因全 0 的无效个体劣势是“备选点是否入选”的全局信息会弱化更适合已知中心数量的场景。标题代码里如果只有 0/1 编码自己改造起来也不难只需要改 fitness 的取址逻辑。5.3 变异率与浓度抑制的联动策略当你看到迭代曲线出现“长时间平台期”最有效的操作不是单方面增大变异率而是同时放宽浓度阈值。平台期意味着群体已经趋于同质化此时即使加大变异率克隆后的个体也可能因为浓度抑制在下一代被剔掉。建议按下面的策略调整% 方案1分段策略前 30% 广搜后 70% 精收 if gen maxGen * 0.3 mutateRate 0.12; simThresh 0.4; else mutateRate 0.04; simThresh 0.1; end5.4 最后一招冷启动与热启动如果跑了很多代结果还是明显偏离常识的“中心数量过多 运输成本过高”问题往往不在算法参数而在初始群体上。初始群体随机化是常见做法但在选址问题里加入一个“贪婪个体”能显著提升收敛速度把每个需求点分配给最近的备选点按需求覆盖量从高到低排序取前 K 个作为初始抗体。这样算法一开始就在比较合理的区域搜索而不是漫无目的地翻地图。把这段逻辑直接加到初始化的pop里迭代轮数能省下三分之一。本文还有配套的精品资源点击获取