MATLAB遗传算法解决旅行商（TSP）问题

二更：致所有想要学习这篇代码的同学

首先你得下载我上传过的数据集，解压后把他们跟程序放到一个目录下，否则连数据集都没有肯定会报错啊！如果你是自己下载的数据集，请把它保存成txt格式文件，内容修改成n行3列，第一列是序号，后两列是坐标；然后修改 set_data_set.m 使程序能读出你的数据集。这一步我相信只要是对MATLAB有些了解的同学应该都能完成。

另外，由于我的工作主要是复现了 Savuran Halil and Karakaya Murat. Route Optimization Method for Unmanned Air Vehicle Launched from a Carrier[J]. Lecture Notes on Software Engineering, 2015, 3(4) : 279-284. 因此如果想学习有关知识建议去读一下原始文献。

最后，时隔一年，我发现我的编程技巧和代码风格还亟需提高。请各位不要学习我这篇代码的代码风格，向其他高手看齐。最后祝各位学习顺利。

1 前言

这是一篇课程作业，目的是复现参考文献[1]，采用MATLAB编程。文献[1]用遗传算法解决了从直线运动运载体上发射的无人机的旅行商问题，本文对相关概念进行了介绍，给出了仿真程序与最终结果，并与文献[1]进行比较，验证了文献[1]的有效性。

至于为何要发博客，是因为这是我第一次完全看懂并从头到尾复现一篇文献的经历，特此纪念。请各位大佬轻喷，并希望在以后的生活学习中我能继续保持这种心态前进。写作中参考了其他博客与网页，如有侵权请联系我。

2 相关概念及原理

2.1 旅行商问题

旅行商问题（Travelling Salesman Problem, TSP）又称旅行推销员问题，是数学领域的著名问题之一。假设有一个旅行商人要拜访N个城市，每个城市只能拜访一次，而最后要回到原来的城市。旅行商问题的内容便是如何选择拜访城市的路线，使得总的路程最小。旅行商问题是一个NP问题，即非确定性多项式问题。它的解空间包含(N-1)!个方案，当N→∞时问题规模比指数级增长更快，当N大于一定程度时，采用穷举法求解旅行商问题的计算开销会变得不可接受。因此，解决旅行商问题多采用启发式算法，例如遗传算法、粒子群算法、蚁群算法、模拟退火算法等等。

2.2 遗传算法

遗传算法（Genetic Algorithm, GA）是由美国的John Holland于20世纪70年代提出，该算法根据自然界中的生物进化规律而设计。通过模拟自然选择和生物进化的遗传学机理，遗传算法是一种解决搜索问题的有效手段。遗传算法直接对某种结构对象进行操作，不存在求导与对函数连续性的要求，使用方便；遗传算法不是漫无目的的随机搜索，而是能自动获取、指导并优化搜索方向，因而具有更好的全局寻优能力。

遗传算法的基本单元是染色体。由于算法不能直接处理问题空间的参数，因此需要将待求解问题通过编码表示成遗传空间的染色体（或称个体），染色体中的每个单元称为基因。编码策略通常需要具备完备性、健全性和非冗余性。将问题编码后，就可以通过一定规则构建初始种群，随后便可开始进行进化模拟：

        （1）选择：模拟自然选择，从种群中通过某种特定规则选择出较适应环境的个体，适者生存，不适者淘汰，并用这些个体繁殖下一代。参照的规则由适应度函数表示，也可以用代价函数表示。

        （2）交叉：模拟生物繁殖过程中的染色体交叉互换。对两个不同的亲代个体在相同的位置进行基因交换，从而产生新的个体。

        （3）变异：模拟生物繁殖过程中的基因突变。随机选择种群中的某些个体，对其中的某些基因进行异向转化，从而保证基因的多样性。

每进行一周期遗传操作，产生的种群称作一代。在对每代染色体进行选择时可以采用精英主义，即大量克隆当前种群中的最优个体，保证最优个体的基因大概率会传播下去，从而在一定程度上杜绝遗传操作带来的退化现象。

最后，本文遗传算法的步骤如图所示。

2.3 最邻近算法

另一个常用于解决TSP问题的算法是最邻近算法，其本质为贪心算法，即每一步都选择距离当前城市最近的城市作为下一个目的地。该方法的运算速度极快，但结果的好坏极大程度上取决于问题中各个城市点的排布。

2.4 2-Opt

2-Opt为2-Optimization的简称，即两元素优化。它是由Croes提出的，最早用于解决TSP问题的算法。2-Opt算法是一种局部搜索算法，其基本思路为：对于遗传空间中的一个可行解染色体，计算其代价，然后随机在染色体中选取两个基因位点，将两位点之间的染色体反转并接回原来的位置，并计算其代价。如果新染色体代价小于原染色体，则用新染色体代替原染色体，否则保持原染色体不变。从2-Opt的原理可知，只要给出足够长的时间，2-Opt必定能求出TSP问题的最优解。但实际上，由于基因位点选取的随机性和计算机计算能力的限制，2-Opt算法只能给出局部的最优解。这时，由于遗传算法具有全局寻优的能力，将遗传算法与2-Opt相结合能大大提高算法效果和效率。本文在每代遗传操作结束后用2-Opt方法处理种群所有染色体。

3 使用遗传算法解决TSP问题 

3.1 编码

对于旅行商问题，所要求解的是访问城市的最佳顺序。由于城市坐标已知，当顺序确定时，路程就确定了，据此可以将基因编码为正整数1,2,...,N，分别代表第1,2,...,N个城市，而城市访问顺序与染色体基因顺序一一对应。相应的适应度函数即为每条染色体所代表的访问顺序的总路程，总路程越低，说明适应能力越好。需要注意的是，适应度函数中也应该包括从起飞点到第一个城市，以及从最后一个城市到降落点的距离。

3.2 定义起飞点

出于简单考虑，本文假设运载体从原点(0,0)出发，并沿一个角度θ做速度为Vc的匀速直线运动。因此，运载体的路线是已知且可预测的，运载体路线上的所有点均可作为无人机的潜在起飞点。理论上，每个潜在起飞点之间的距离应足够小，才不会影响无人机的路径设计。在实验中，可以在运载体路线上取一定数量的等距点，近似作为起飞点参与TSP运算。更复杂的运载体运动路线可以以此为基础深入研究。

3.3 遗传操作

用遗传算法解决TSP问题的步骤与图1的流程大致相同，区别在于需要在“繁殖、交叉、变异”一步后加上2-Opt算法对本代染色体进行局部寻优。本文的算法设计流程如下：

       （1）初始化：将TSP中的地点次序编码成基因后，随机产生足够多的初代染色体加入种群，直到达到种群容量上限。对于起飞点，根据贪心算法的思想，将距离染色体首位基因所对应城市最近的潜在起飞点作为起飞点。

       （2）精英主义自然选择：将种群适应度从小到大排序，消灭后一半个体并克隆第一个个体，直到种群数量再次达到上限。这一步会保证当前的局部最优个体的基因大概率被传入子代中。

       （3）染色体交叉：由于TSP问题要求每个城市只访问一次，简单的染色体交叉可能会造成访问重复和空缺。为此采用部分映射交叉（Partial-Mapped Crossover, PMX）对染色体进行交叉处理。

部分映射交叉的思想如下：首先随机选取两个交叉位点，交换两条亲代染色体在交叉位点之间的部分。然后固定交换的部分不变，遍历每条染色体中未交换的部分，如果有基因与交换部分重复，则根据交换部分的一一对应关系将重复的基因也换成相对的基因，如此往复直到每条染色体中都不包含重复的基因。部分交叉映射的一个例子如图所示：

        （4）基因突变：随机选取染色体中的两个位点，交换这两个位点的基因。

        （5）2-Opt：采用2-Opt算法对种群的每条染色体进行局部优化。在优化完成后，由于首位基因可能更改，所以需重新计算起飞点。

3.4 适应度计算

4 实验代码及仿真实验

4.1 实验代码

主函数main

%遗传算法解决旅行商问题
%参考文献
%Savuran Halil and Karakaya Murat.
%Route Optimization Method for Unmanned Air Vehicle Launched from a Carrier[J].
%Lecture Notes on Software Engineering, 2015, 3(4) : 279-284.
%——————————————————————————
%Copyright 2021 Eterrank. All rights reserved.

clear;clc;
%% 初始化
%初始化数据,读取数据集
UAV_SPEED = 300;                %无人机速度
CARRIER_SPEED = 40;             %运载体速度
CARRIER_THETA = pi/4;           %载体航向角
TAKEOFF_NUM = 30;               %起飞点数量设置
%读取数据集及参数配置
%共6个数据集，分别为'Berlin52','Eil76','Bier127'
%'CH130','CH150','KroB200'
DataCell = set_data_set('CH150');
GENES = DataCell{1};
POPSIZE = DataCell{2};          %种群大小
GENSIZE = DataCell{3};