嗯哼,上一篇博客中用Java实现了遗传算法求解TSP(Java版GA_TSP(我的第一个Java程序)),但明显求解效果不太好,都没太好意思贴出具体的结果,今天捣腾了下,对算法做了一些小改进,求解效果也稍微好了点。总算是能见人了,具体改进如下:
(1) 选择操作由原先的单一轮盘赌策略(Roulette Strategy)改为轮盘赌策略 + 精英策略(Elite Strategy), 在保证解的多样性的基础上,强化集中搜索。
(2) 在构建新种群方式上,将原先的无差别接受扰动改为不接受退化的个体。
[注]选择操作是形成进行繁衍(扰动产生新解)操作的前提,注意区分上述(1)和(2)。
下面贴干货:
1 int[][] newPop = new int[PopSize][N]; 2 //5%的精英策略 3 for (int p = 0; p < 0.05*PopSize; p++) { 4 for (int q = 0;q < N; q++) { 5 newPop[p][q] = BS[q]; 6 } 7 } 8 //95%的轮盘赌策略 9 for (int p = (int)0.05*PopSize; p < PopSize; p++) { 10 double rand = Math.random(); 11 for (int r = 0; r < PopSize; r++) { 12 if (rand > cusFit[r] && rand <= cusFit[r+1]) { 13 for (int q = 0;q < N; q++) { 14 newPop[p][q] = Pop[r][q]; 15 } 16 } 17 } 18 } 19 20 //扰动操作 21 for (int p = 1; p < PopSize; p++) { 22 double R = Math.random(); 23 24 int[] S = new int[N]; 25 for (int i = 0; i < N; i++) { 26 S[i] = newPop[p][i]; 27 } 28 29 int[] S0 = new int[N]; 30 int[] S1 = new int[N]; 31 if (R < 0.33) { 32 S0 = Sharking.Swap(S); 33 if (GA.Pop.fit(S0) < GA.Pop.fit(S)) { 34 System.arraycopy(S, 0, S1, 0, N); 35 }else { 36 System.arraycopy(S0, 0, S1, 0, N); 37 } 38 }else if (R > 0.67) { 39 S0 = Sharking.Insert(S); 40 if (GA.Pop.fit(S0) < GA.Pop.fit(S)) { 41 System.arraycopy(S, 0, S1, 0, N); 42 }else { 43 System.arraycopy(S0, 0, S1, 0, N); 44 } 45 }else { 46 S0 = Sharking.Flip(S); 47 if (GA.Pop.fit(S0) < GA.Pop.fit(S)) { 48 System.arraycopy(S, 0, S1, 0, N); 49 }else { 50 System.arraycopy(S0, 0, S1, 0, N); 51 } 52 }
求解结果如下,总迭代次数为200次,有效进化次数7次,误差19.13%。没有多次运行,感觉结果一般,但明显比第一版的遗传算法求解效果好很多。再接再厉~~~~