matlab使用遗传算法解决旅行商tsp问题

编码目的和解析

• 旅行商问题：
  • 地图上有n个点，旅行商要求从一个点出发，经过每个城市一次且仅一次并最终回到出发城市，求最短路径
• 使用matlab作为编程工具，采用遗传算法对tsp（旅行商）问题进行基本编码实现和优化解答，最终控制误差在一定范围内，或者找到旅行商问题的最优解。

注：旅行商问题的已知最优解是通过遍历得到的，不可能通过智能算法得到更短的距离，除非计算公式出错或者数据出现问题。

数据获取

所需工具/软件/数据

软件：matlab

日志：csdn博客

资料来源：百度搜索的结果页面链接

搜索到的资料及其网址

1. 《TSP的已知最优解》：百度文库网址 该文档的上传日期为2014年，该文档最后一行显示的时间点为2007年。

2. oschina中的数据集下载网址：MP-TESTDATA - The TSPLIB Symmetric Traveling Salesman Problem Instances

数据集和代码已经上传到csdn中，欢迎学习和交流

3. 遇到的第一个问题是距离的计算问题，具体可以通过下载这个文件去查看具体数据集的距离计算公式：http://comopt.ifi.uni-heidelberg.de/software/TSPLIB95/tsp95.pdf

   文件第九页有每种问题的对应距离计算方法，再通过该方法找到具体的措施即可

举个例子：

a280数据集（图片中的第一个），可以找到Type为EUC_2D，在pdf文件中搜索该类型，即可找到对应的计算公式如下：

原理解析

种群确定与基本操作

• 首先要确定每个个体的元素和一个规模合适的种群
  • tsp问题每个个体其实可以看做n个城市的链条
  • 比如n = 5，<1,2,3,4,5>的排列顺序可以看成一个个体
  • 1 2 3 4 5就是一个一个基因片段，后续重组变异也是基于此实现
• 确定种群的规模
  • 和个体的基因数有关，一般规模不大时设置为100-1000即可
  • 注意：规模越大，可能导致运算时间过长
• 到这里，对应实现种群的初始化即可
  • 比如一千个个体，每个个体48个基因（n=48）随机排列

选择

• 是挑选父代的个体作为随后重组、变异的来源
• 主要有两种方法：轮盘赌和锦标赛（试验效果更好）
• 生成一个个体所需的父代一般是两个
  • 所以使用两次算法得出两个个体参与重组、变异即可

轮盘赌：

• 结合tsp算法进行解释：
• 适应度：粗略理解为该个体生存下去的可能性的大小
  • 在tsp问题中，可以理解为距离越小，适应度越高
  • 所以可以取距离的倒数
• 求出父代每个个体的适应度，并进行累加得到max
  • 这里需要生成一个数组，存放自第一个到第m个个体的累积适应度
    • 例如有三个个体，适应度为0.2,0.5,0.7
    • 生成的数组就是[0.2,0.7,1.4]
• 随后获得一个随机数 ran 在0-max之间
  • 看看这个ran小于哪个累计数（0.2,0.7,1.4）就选择哪个个体
  • 例如ran=0.6，则选择第二个个体，因为0.6>0.2且0.6<0.7

锦标赛

• 选择m个个体，选择适应度最高的个体作为父代
• 这个很简单，理解为在n个个体中选择m个个体，再比较这m个个体，选择距离最短的那个个体就行
  • 例如种群数量有10个，随机选择5个个体（n=10，m=5）
  • 这五个个体距离为：100,200,300,400,500
    • 选择第一个个体，因为距离最小

重组

• 通过筛选出来的两个个体，即可进行重组运算
• 生物学上：重组就是选择父代两个相同位置的片段，交换上面的基因，形成新的个体
• 在tsp问题中，也是一样的，但是要考虑到如果交换了，可能出现某些城市出现了两次的情况
  • 所以交换的时候采用以下的方法进行交换，看图解：

变异

• 随机选择两个基因进行交换即可
• 例如上图子代1的1和8交换，就变成了
  • 3 5 6 9 2 8 7 1 4
• 变异的概率要控制好
  • 太高的话，容易无法收敛到局部最优解
  • 太低的话，收敛后无法跳出

代码解析

看不懂没关系，后面《最终代码》有更详细的代码，或者下载页面末尾的代码连接，下载到自己的电脑上，运行一下，看一下代码逻辑就懂了

页面读取逻辑

首先是一个初始化的参数设置

clear;
clc; %清空其他程序残留的变量
tStart = tic; % 算法计时器
%%%%%%%%%%%%自定义参数%%%%%%%%%%%%%
[cityNum,cities] = Read('att48.tsp');%读取tsp文件中的数据
cities = cities';%读取数据后进行反转
%cityNum = 100;
maxGEN = 1000;%设置迭代的次数
popSize = 1000; % 遗传算法种群大小
crossoverProbabilty = 0.9; %交叉概率
mutationProbabilty = 0.3; %变异概率
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
%存储