遗传算法应用于TSP

本文主要内容为利用遗传算法解决TSP(旅行商问题)。

TSP问题可以描述为：某一旅行商从某个城市出发访问n个城市，去到每个城市一次且仅一次，目标为安排路线并其为最短路线。

本案例以14个城市的二维坐标为数据，寻找一条最短的遍历这14个城市的路径。

遗传算法流程：

• 编码

对于14个城市，设置染色体分为14段，每一段为对应城市的编号。利用randperm(14)随机编码一个染色体。例如得到:6 3 11 7 14 8 5 1 2 4 13 9 10 12

• 种群初始化

完成编码之后，需要产生一个初始种群作为起始解。初始化种群数目一般根据经验得到，一般取值为50到200之间。根据本案例城市个数，取种群大小为100。

• 适应度函数

设函数为遍历14个城市的距离的倒数。优化的目标就是选择适应度函数尽可能大的染色体，适应度函数越大的染色体越优质，反之越劣质。

• 选择操作

从旧群体中以一定概率选择个体到新群体中，个体被选中的概率跟适应度值有关，个体适应值越大，被选中的概率越大。

• 交叉操作

**该部分与传统交叉操作不同，交叉操作后的染色体应满足编码要求。**采用部分映射杂交，确定交叉操作的父代，将父代样本两两分组，重复以下操作：

在1至14间产生两个随机整数，将两个随机数中间的染色体段进行交叉。交叉后，不重复的段保留，有冲突的数字采用部分映射的方法消除冲突。

• 变异操作

**该部分与传统变异操作不同，变异操作后的染色体应满足编码要求。**变异策略采取随机选两个点将其对换位置。

• 进化逆转操作

**该部分为改善遗传算法的局部搜索能力而新增。**这里进化是指逆转算子的单方向性，即只有经逆转后，适应度值有所提高的才接受下来，否则逆转无效。

最终结果：

初始种群中的一个随机值:
11—>9—>2—>3—>13—>10—>4—>6—>1—>8—>7—>5—>12—>11
总距离：55.9173

最优解:
9—>10—>1—>2—>13—>3—>4—>5—>6—>11—>7—>12—>8—>9
总距离：29.2446

---

（需要学习源码在评论下留言）