原文地址:http://www.cnblogs.com/heaad/archive/2010/12/23/1914725.html
一.进化论知识
作为遗传算法生物背景的介绍,下面内容了解即可:
种群(Population):生物的进化以群体的形式进行,这样的一个群体称为种群。
个体:组成种群的单个生物。
基因 ( Gene ) :一个遗传因子。
染色体 ( Chromosome ) :包含一组的基因。
生存竞争,适者生存:对环境适应度高的、牛B的个体参与繁殖的机会比较多,后代就会越来越多。适应度低的个体参与繁殖的机会比较少,后代就会越来越少。
遗传与变异:新个体会遗传父母双方各一部分的基因,同时有一定的概率发生基因变异。
简单说来就是:繁殖过程,会发生基因交叉( Crossover ) ,基因突变 ( Mutation ) ,适应度( Fitness )低的个体会被逐步淘汰,而适应度高的个体会越来越多。那么经过N代的自然选择后,保存下来的个体都是适应度很高的,其中很可能包含史上产生的适应度最高的那个个体。
二.遗传算法思想
借鉴生物进化论,遗传算法将要解决的问题模拟成一个生物进化的过程,通过复制、交叉、突变等操作产生下一代的解,并逐步淘汰掉适应度函数值低的解,增加适应度函数值高的解。这样进化N代后就很有可能会进化出适应度函数值很高的个体。
举个例子,使用遗传算法解决“0-1背包问题”的思路:0-1背包的解可以编码为一串0-1字符串(0:不取,1:取) ;首先,随机产生M个0-1字符串,然后评价这些0-1字符串作为0-1背包问题的解的优劣;然后,随机选择一些字符串通过交叉、突变等操作产生下一代的M个字符串,而且较优的解被选中的概率要比较高。这样经过G代的进化后就可能会产生出0-1背包问题的一个“近似最优解”。
编码:需要将问题的解编码成字符串的形式才能使用遗传算法。最简单的一种编码方式是二进制编码,即将问题的解编码成二进制位数组的形式。例如,问题的解是整数,那么可以将其编码成二进制位数组的形式。将0-1字符串作为0-1背包问题的解就属于二进制编码。
遗传算法有3个最基本的操作:选择,交叉,变异。
选择:选择一些染色体来产生下一代。一种常用的选择策略是 “比例选择”,也就是个体被选中的概率与其适应度函数值成正比。假设群体的个体总数是M,那么那么一个体Xi被选中的概率为f(Xi)/( f(X1) + f(X2) + …….. + f(Xn) ) 。比例选择实现算法就是所谓的“轮盘赌算法”( Roulette Wheel Selection ) ,轮盘赌算法的一个简单的实现如下:
TSPFitnessFunction类using System; using AForge.Genetic; namespace GenticTSP { /// <summary> /// Fitness function for TSP task (Travaling Salasman Problem) /// </summary> public class TSPFitnessFunction : IFitnessFunction { // map private int[,] map = null; // Constructor public TSPFitnessFunction(int[,] map) { this.map = map; } /// <summary> /// Evaluate chromosome - calculates its fitness value /// </summary> public double Evaluate(IChromosome chromosome) { return 1 / (PathLength(chromosome) + 1); } /// <summary> /// Translate genotype to phenotype /// </summary> public object Translate(IChromosome chromosome) { return chromosome.ToString(); } /// <summary> /// Calculate path length represented by the specified chromosome /// </summary> public double PathLength(IChromosome chromosome) { // salesman path ushort[] path = ((PermutationChromosome)chromosome).Value; // check path size if (path.Length != map.GetLength(0)) { throw new ArgumentException("Invalid path specified - not all cities are visited"); } // path length int prev = path[0]; int curr = path[path.Length - 1]; // calculate distance between the last and the first city double dx = map[curr, 0] - map[prev, 0]; double dy = map[curr, 1] - map[prev, 1]; double pathLength = Math.Sqrt(dx * dx + dy * dy); // calculate the path length from the first city to the last for (int i = 1, n = path.Length; i < n; i++) { // get current city curr = path[i]; // calculate distance dx = map[curr, 0] - map[prev, 0]; dy = map[curr, 1] - map[prev, 1]; pathLength += Math.Sqrt(dx * dx + dy * dy); // put current city as previous prev = curr; } return pathLength; } } }(5) 添加GenticTSP.cs,加入如下代码:GenticTSP类 using System;
using System.Collections.Generic;
using System.Linq;
using System.Text;
using System.IO;
using AForge;
using AForge.Genetic;
namespace GenticTSP{
class GenticTSP{
static void Main()
{
StreamReader reader = new StreamReader("Data.txt");
int citiesCount = 31; //城市数
int[,] map = new int[citiesCount, 2];
for (int i = 0; i < citiesCount; i++)
{
string value = reader.ReadLine();
string[] temp = value.Split(' ');
map[i, 0] = int.Parse(temp[0]); //读取城市坐标
map[i, 1] = int.Parse(temp[1]);
} // create fitness function
TSPFitnessFunction fitnessFunction = new TSPFitnessFunction(map);
int populationSize = 1000; //种群最大规模
/* * 0:EliteSelection算法 * 1:RankSelection算法 * 其他:RouletteWheelSelection 算法 * */
int selectionMethod = 0; // create population
Population population = new Population(populationSize,new PermutationChromosome(citiesCount), fitnessFunction, (selectionMethod == 0) ? (ISelectionMethod)new EliteSelection() : (selectionMethod == 1) ? (ISelectionMethod)new RankSelection() : (ISelectionMethod)new RouletteWheelSelection() ); //iterations
int iter = 1;
int iterations = 5000; //迭代最大周期
// loop
while (iter < iterations)
{ // run one epoch of genetic algorithm
population.RunEpoch(); // increase current iteration iter++;
}
System.Console.WriteLine("遍历路径是: {0}", ((PermutationChromosome)population.BestChromosome).ToString());
System.Console.WriteLine("总路程是:{0}", fitnessFunction.PathLength(population.BestChromosome));
System.Console.Read();
}
}
}
网上据称这组TSP数据的最好的结果是 15404 ,上面的程序我刚才试了几次最好一次算出了15402.341,但是最差的时候也跑出了大于16000的结果。
我这还有一个版本,设置种群规模为1000,迭代5000次可以算出15408.508这个结果。源代码在文章最后可以下载。
总结一下使用AForge.Genetic解决问题的一般步骤:
(1) 定义适应函数类,需要实现IFitnessFunction接口
(2) 选定种群规模、使用的选择算法、染色体种类等参数,创建种群population
(3)设定迭代的最大次数,使用RunEpoch开始计算