遗传算法（GA）与TSP问题

遗传算法

基本原理

遗传算法（Genetic Algorithm, GA）起源于对生物系统所进行的计算机模拟研究。它是模仿自然界生物进化机制发展起来的随机全局搜索和优化方法，借鉴了达尔文的进化论和孟德尔的遗传学说。其本质是一种高效、并行、全局搜索的方法，能在搜索过程中自动获取和积累有关搜索空间的知识，并自适应地控制搜索过程以求得最佳解。

基本流程

总结出遗传算法的一般步骤：
开始循环直至找到满意的解。
1.评估每条染色体所对应个体的适应度。
2.遵照适应度越高，选择概率越大的原则，从种群中选择两个个体作为父方和母方。
3.抽取父母双方的染色体，进行交叉，产生子代。
4.对子代的染色体进行变异。
5.重复2，3，4步骤，直到新种群的产生。
结束循环。

代码实现

连点画图函数

function plot_route(a,R)
scatter(a(:,1),a(:,2),'rx');
hold on;
plot([a(R(1),1),a(R(length(R)),1)],[a(R(1),2),a(R(length(R)),2)]);
hold on;for i=2:length(R)    
x0=a(R(i-1),1);    
y0=a(R(i-1),2);    
x1=a(R(i),1);    
y1=a(R(i),2);    
xx=[x0,x1];    
yy=[y0,y1];    
plot(xx,yy);    
hold on;
end   
end

染色体的路程代价函数（用于计算每个染色体的长度）

function len=myLength(D,p)%p是一个排列
[N,NN]=size(D);
len=D(p(1,N),p(1,1));
for i=1:(N-1)   
len=len+D(p(1,i),p(1,i+1));
end
end

适应度函数（每次迭代都要计算每个染色体在本种群内部的优先级别，类似归一化参数。越大越好！）

function fitness=fit(len,m,maxlen,minlen)
fitness=len;
for i=1:length(len)    
fitness(i,1)=(1-(len(i,1)-minlen)/(maxlen-minlen+0.0001)).^m;
end

变异函数

function a=Mutation(A)
index1=0;index2=0;
nnper=randperm(size(A,2));
index1=nnper(1);
index2=nnper(2);
%fprintf('index1=%d ',index1);
%fprintf('index2=%d ',index2);
temp=0;
temp=A(index1);
A(index1)=A(index2);
A(index2)=temp;
a=A;
 end

对调函数

functio