配送中心选址优化：基于免疫算法的MATLAB实现与调参实战

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 end

3.3 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：

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：

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（simThresh=0.5）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; end

5.4 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