【TSP问题】基于遗传算法求解三维旅行商问题含Matlab源码

1 简介

1.1 TSP介绍

“旅行商问题”(Traveling Salesman Problem,TSP)可简单描述为：一位销售商从n个城市中的某一城市出发，不重复地走完其余n-1个城市并回到原出发点，在所有可能路径中求出路径长度最短的一条。

旅行商的路线可以看作是对n城市所设计的一个环形，或者是对一列n个城市的排列。由于对n个城市所有可能的遍历数目可达(n-1)!个，因此解决这个问题需要O(n!)的计算时间。而由美国密执根大学的Holland教授发展起来的遗传算法，是一种求解问题的高效并行全局搜索方法，能够解决复杂的全局优化问题，解决TSP问题也成为遗传算法界的一个目标。

1.2 遗传算法求解tsp模型

巡回旅行商问题(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。

算法流程

旅行商问题的遗传算法实现

1.初始群体设定

一般都是随机生成一个规模为 N 的初始群体。在这里，我们定义一个s行t列的pop矩阵来表示群体，t 为城市个数 + 1，即 N + 1，s 为样本中个体数目。在本文探讨了 30 个城市的 TSP 问题，此时 t 取值 31，该矩阵中每一行的前 30 个元素表示经过的城市编号，最后一个元素表示适应度函数的取值，即每个个体所求的距离。

2.适应度函数的设计是根据个体适应值对其优劣判定的评价函数。在该问题中用距离的总和作为适应度函数，来衡量求解结果是否最优。

3.选择指以一定的概率从群体中选择优胜个体的操作，它是建立在群体中个体适应度评估基础上的。为了加快局部搜索的速度，在算法中采用最优保存策略的方法，即将群体中适应度最大的个体直接替换适应度最小的个体。它们不进行交叉和变异运算，而是直接复制到下一代，以免交叉和变异运算破坏种群中的优秀解答。

4.交叉算子是产生新个体的主要手段。它是指将个体进行两两配对，以交叉概率 Pc 将配对的父代个体的部分结构加以替换重组生成新个体的操作。本文中采用有序交叉法来实现。有序交叉法的步骤描述如下:

5.变异操作是以较小的概率 Pm 对群体中个体编码串上的某位或者某些位作变动，从而生成新的个体。本文中采用倒置变异法:假设当前个体 X为(1 3 7 4 8 0 5 9 6 2)，如果当前随机概率值小于 Pm，则随机选择来自同一个体的两个点mutatepoint(1) 和 mutatepoint(2)，然后倒置两点的中间部分，产生新的个体。例如，假设随机选择个体 X 的两个点“7”和“9”，则倒置该两个点的中间部分，即将“4805”变为“5084”，产生新的个体 X 为(1 3 7 5 0 8 4 9 6 2)。

6.终止条件为循环一定的代数。

​2 部分代码

%%%%%%%%%% AUV path planning using GA %%%%%%%%%%%%%%%Run 'RP_coordinate.m' before running main %%%%​clear all;close all;tic;%Runtime timer%% global variables​load ('coor.mat');   %Load data generated by RP_coordinate.m​Popsize =50;         %Population size, should be an even integer​%Genetic parameters%MIXRATE = 0.3;ITERATION = 10000;   %Number of iterationTHRESHOLD = 100;Pcross = 0.7;       %Crossover ratePmutation = 0.3;    %Mutation rate​%BeginParentpop=InitPop(Popsize,RPNUM,adjacency);Fitnesscurve=[];Generation = 1; ​Fitconst=0;         %Number of generations that fitness values remain constant%% Genetic algorithmwhile(Generation <= ITERATION)    if (Fitconst<=THRESHOLD) %Stop iteration if fitness value is constant in threshold number of genreations        fitness = Fitness(Parentpop,adjacency);       %Calculate fitness of parents        crossover = Crossover(Parentpop,Pcross);      %Crossover        Childpop = Mutation(crossover,Pmutation);     %Mutate and get chindren        combopop=[Parentpop;Childpop];                %Combine parents and chindren        combofitness=Fitness(combopop,adjacency);       %Calculate overall fitness        nextpop=Select(combopop,combofitness);        %Select the first half of best to get 2nd gen        Parentpop=nextpop.pop;        if(Generation ==1)            Best_GApath=Parentpop(1,:);            Best_Fitness=combofitness(nextpop.bestplan);        else            New_Best_Fitness=combofitness(nextpop.bestplan);%Evaluate best solution            New_Best_GApath=Parentpop(1,:);                        if(New_Best_Fitness<Best_Fitness)                Best_Fitness=New_Best_Fitness;                Best_GApath=New_Best_GApath;                Fitconst = 0;                                %%%%%%%%Visualize planning process%%%%%%%%%                     GENERATION=[1:Generation-1];%                     GAplancoor = [RP(Best_GApath).x;RP(Best_GApath).y; RP(Best_GApath).z].';%                     figure(1);%                     for i=1:RPNUM%                         subplot(2,1,1);     %Plot all rendezvous points%                         plot3(RP(i).x,RP(i).y,RP(i).z,'o');%                         text(RP(i).x,RP(i).y, RP(i).z,num2str(i));%                         hold on;%                         subplot(2,1,2);%                         plot(RP(i).x,RP(i).y,'o');%                         text(RP(i).x,RP(i).y,num2str(i));%                         hold on;%                     end%                     subplot(2,1,1);%                     plot3(GAplancoor(:,1),GAplancoor(:,2),GAplancoor(:,3),'r-.');%                     title('3D Path of AUV');%                     grid on;%                     hold off;%                     subplot(2,1,2);%                     plot(GAplancoor(:,1),GAplancoor(:,2),'r-.');%                     title('2D Path of AUV');%                     grid on;%                     hold off;                %%%%%%%%Visualize planning process%%%%%%%%                            else                Fitconst=Fitconst+1;            end        end                Fitnesscurve(Generation)=Best_Fitness;        else                break            end        Generation = Generation +1;    end​Best_GApath(RPNUM+1)=Best_GApath(1); %Add the path from end to startGENERATION=[1:Generation-1];toc;%% plot result plan GAplancoor = [RP(Best_GApath).x;RP(Best_GApath).y; RP(Best_GApath).z].';        figure(1);        for i=1:RPNUM        subplot(2,1,1);     %Plot all rendezvous points        plot3(RP(i).x,RP(i).y,RP(i).z,'o');        text(RP(i).x,RP(i).y, RP(i).z,num2str(i));        hold on;        subplot(2,1,2);        plot(RP(i).x,RP(i).y,'o');        text(RP(i).x,RP(i).y,num2str(i));        hold on;        end        subplot(2,1,1);        plot3(GAplancoor(:,1),GAplancoor(:,2),GAplancoor(:,3),'r-.');        title('3D Path of AUV');        grid on;        subplot(2,1,2);        plot(GAplancoor(:,1),GAplancoor(:,2),'r-.');        title('2D Path of AUV');        grid on; %% Plot iteration of fitness figure(2); plot(GENERATION,Fitnesscurve,'r.-'); title('Minimum distance in each generation'); xlabel('Generation'); ylabel('Fitness value'); legend('Best Fitness Value'); set(gca, 'Fontname', 'Times New Roman', 'FontSize', 14); grid on; ​

3 仿真结果

4 参考文献

[1]温清芳. 遗传算法求解TSP问题的MATLAB实现[J]. 韶关学院学报, 2007, 28(6):5.

博主简介：擅长智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真，相关matlab代码问题可私信交流。

部分理论引用网络文献，若有侵权联系博主删除。