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