基于遗传算法解决城市TSP问题

基于遗传算法解决城市TSP问题

算法原理：

TSP是一个组合优化方面的问题，已经成为测试组合优化新算法的标准问题。应用遗传算法解决 TSP 问题，首先对访问城市序列进行排列组合的方法编码，这保证了每个城市经过且只经过一次。接着生成初始种群，并计算适应度函数，即计算遍历所有城市的距离。然后用最优保存法确定选择算子，以保证优秀个体直接复制到下一代。采用有序交叉和倒置变异法确定交叉算子和变异算子。

算法过程：

1、初始化阶段

初始化对象：种群规模、城市数量、运行代数、交叉概率、变异概率

初始化数据：读入数据源，将坐标转换为距离矩阵（标准化欧式距离）

初始化种群：随机生成n个路径序列，n表示种群规模。

2、计算种群适应度：每条路径求和

3、计算累计概率：初始化种群中各个个体的累积概率

4、迭代

选择算子：赌轮选择策略挑选下一代个体。

交叉运算：第k个算子和k+1个算子有一定的概率交叉变换，k=0、2、4、…、2n
变异运算：每个算子有一定概率基因多次对换，概率处决与变异概率

计算新的种群适应度以及个体累积概率，并更新最优解，准备下一代进化（迭代）

5、输出迭代过程中产生的最短路径

实验结果及分析

初始化数据：
N=25; %%城市的个数
M=100; %%种群的个数
ITER=2000; %%迭代次数
%C