ok啊又是我，经典cug小作业，相信开学就要来智能优化、计算机视觉、机器学习了吧，后续我可能会发的先总结一下：
智能优化 ：qt实现ga求解tsp 单目标约束优化(写的依托) 多目标优化(c++手搓NSGA2但是画图qt而nsga2却在vs，鉴定为依托)
智能优化课设：matlab platEMO平台实现NSGA2求解多目标约束优化问题(包含静态罚函数、动态罚函数、自适应罚函数(自适应写的依托)，CDP即目标与约束分离、CDP的改进)
机器学习：qt K-means算法(依托，大作业，但是不建议用，我只是放出来参考，怕老师发现抄袭)
机器学习课设：weka平台，我自己编写有BP、朴素贝叶斯、决策树、ID3决策树、K近邻、逻辑斯蒂回归，其中BP、朴贝、K近邻是比较好理解的，推荐这3个必做。
计算机视觉：这个没啥好说的，课内有几道题目我大多都实现了，最后的大作业我会的都写了，不会的就没写，每年的题目可能不同哈。
视觉课程设计：这个是做自己想做的，同学们做的都不同，我做的是yolov5车牌检测，就是检测图像，圈出图像/视频中的车牌，然后用随机生成的车牌贴上去，美其名曰基于yolov5的车牌隐私保护系统，一眼四处八方各处缝合而成的垃圾东西，总之拿90分就行了，我这个车牌替换已经写好，可以完美贴上去(不是直接把原先的车牌遮住，而是位置、旋转要与原车牌一样)，但是我的替换是每一帧换一次，也就是每一帧车牌就要变换一次，变来变去不好看，这个可以改进成只替换一次，这辆车下一帧还是用这个车牌遮挡，建议自己研究，需要目标跟踪。
ok，以上总结了之后会发的内容，接下来直接开始本文章的主题-tsp问题求解.
请注意：报告不能直接用，里面的截图请自己替换，我截图上去是有附加我本人的名字，然后还要自己改一改报告，统计表格可以自己画。
目录
1、tsp问题介绍
旅行商问题，是数学领域中非常著名的问题。
Tsp问题的解决方法有很多种，若想精确求解，可以使用暴力法、动态规划法，近似可以用贪心法，引入启发机制可以有A*算法等解法，不过当问题规模稍大，求解速度会慢的令人发指，因为搜索空间过大，我们很难暴力搜索出来。
我们可以使用智能优化方法求解tsp问题，如遗传算法、粒子群优化、模拟退火等，不过不一定能求解到最佳。
2、遗传算法
2.1 遗传算法详细讲解
（1）编码
首先遗传算法里的个体，有对问题进行的编码，常见的有二进制编码、实数编码等。
评估编码策略常采用以下3个规范：
a)完备性(completeness):问题空间中的所有点(候选解)都能作为GA空间中的点(染色体)表现。
b)健全性(soundness): GA空间中的染色体能对应所有问题空间中的候选解。
c)非冗余性(nonredundancy):染色体和候选解一一对应。
（2）适应度函数
所谓适应度函数，其实就是为了给每个个体进行评估其优劣性而使用的。在具体应用中，适应度函数的设计要结合求解问题本身的要求而定。适应度函数设计直接影响到遗传算法的性能。
（3）随机初始化
遗传算法开始执行时，应对种群进行随机初始化。
（4）交叉操作
也就是产生后代，选则两个个体来产生后代，交叉操作会对算法收敛到理想解有着非常大的影响，设计一个好的交叉算子有利于我们找到理想解。这一点在后续我会有更详细的演示。
（5）变异操作
变异操作就是产生子代后，可能会发生基因变异。变异操作主要是为了提高种群的随机性，也就是向外搜索的可能。
（6）种群的选择与淘汰
这一步有两个经典的方法：轮盘赌算法与竞标赛算法。
2.2 遗传算法流程图
3、测试问题
下载网址：https://people.sc.fsu.edu/~jburkardt/datasets/tsp/tsp.html
4、遗传算法c++实现部分
4.1 染色体类
设置一个染色体类，其中包含有基因与适应度，假设有城市1 2 3 4，路线为 3 1 4 2，那么改染色体的基因就应为 3142，而适应度是3到1的长度 + 1到4长度 + 4到2长度。
4.2 GA类
GA类即遗传算法框架，里面包含有一个染色体类的数组、交叉概率、变异概率，还有一个Graph。需要实现一些核心方法，如算法入口、构造函数、交叉、变异。
4.3 设计与实现两种交叉
设计两种交叉操作，之后还要进行多次实验，并以此了解哪种交叉方式更好，说白了就是让报告有东西写有表格列。
交叉1
第一种交叉方法非常简单，首先随机从种群中选取两个不同的个体，分别为父代1、父代2。以n为6的tsp问题为例，设下面是随机选择到的两个父代：
接着我们在父代1中随机产生两个不同的点：
然后我们把这两点间的基因赋予子代：
剩余的位置，从父代2中找并且按顺序放入：
代码略。
交叉2
第二种交叉操作，和值第一个一样，首先随机选取两个不同的父代：
首先，我们从父代1中随机的选取[1, 1+n/2]个数量，对于此n为6的问题，那么就是要随机选取到[1, 4]个，以选3个为例，如下图：
接着我们找到这三个基因在父代2中的位置：
然后我们按照父代2中的顺序，将这几个基因赋予子代
子代还有一半的位置没有基因，我们从父代1中按顺序寻找并放进去：
出2个问题：
你能代码实现上面两种交叉方法吗？
如果是你来设计，你会怎么设计呢？
4.4 三种染色体变异方式
变异1
第一种变异操作,从个体中随机选取两个位置,然后将这两个位置之间的基因进行反转操作:
变异2
第二种变异操作则更为简单,随机选取两个位置,然后交换它们即可.
变异3
第三种变异操作,随机选取两个点,然后把后方的点放到前方的的点的位置,前方的点以及其之后的点向后移动.
4.5 竞标赛算法
以NP=60，N=100为例子，我们将N分为10组，那么每组就有10个个体。然后每一组从中挑选出较优秀的6个个体，那10组就挑选出了60个个体进入下一代。这样的好处是：
（1）我们保留了种群中较为优秀的个体。
（2）可能某些组里的个体都较为差劲，但是由于是小组锦标赛而不是大环境淘汰，有一些较差的个体也会得以保留，这样就保证了种群的宽度搜索，有利于避免进入局部最优的清空。
5 总结
代码我就不放了，有需要可以私信我或者下方留言，我会在文章下方发wangpan链接的。
本来是要写一个打开文件读入tsp问题的，但是没时间了，用最笨的方法搞了主界面载入问题。
mainwindow.h/.cpp：主界面 载入问题、绘图页面大小
Graph.h/.cpp: 邻接矩阵
GA.h/.cpp: 遗传算法
tspshowdialog.h/.cpp:绘图页面，展示tsp问题的路径，右上角可以选择查看适应度曲线和选择实验页面
chartshow.h/.cpp:展示适应度曲线的页面
stadialog.h/.cpp：实验页面，临时加的页面，可以使用但是有bug
扫一扫
2175
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
