遗传算法在TSP问题上的应用matlab仿真实现

最近在做一个遗传算法应用的课程大作业，在网上找了一些TSP的算法，结合别人的算法进行更改和优化了下，得到了最终的仿真结果，感谢前人栽的树。

 

遗传算法在TSP问题上的应用

本文采用遗传算法来求解TSP问题，将中国的35个省会级城市作为研究对象，设置西安为起点，历经其余34座城市后，最后回到西安的一条最短路径。

一、设计过程

1、适应度函数设计：

TSP的目标是路径总长度为最短，在进行选择时更具适应度值越大则被遗传到下一代的概率越大，适应度值与路径总距离呈反比关系，因此路径总长度的倒数就可以为TSP的适应度函数：

  

2、序表达式编码

序表达式是TSP问题的最自然的表达，其中城市是按访问的顺序排列的。例如，对于9个城市的TSP:3-2-5-4-7-1-6-9-8-3可简单表示为向量[3254716983]，表示从城市3出发依次经过2,5,4,7,1,6,9,8然后返回城市3的一条路径。

3、联赛选择算子设计

联赛选择是基于个体适应度之间大小关系的选择方法,一般为两两比较,不需要满足f(x)>0,具体步骤为将群体中随机选N个个体进行适应度值大小比较,将大的个体遗传,将上述过程重复M次就可以得到M个个体。在本次设计中，随机从父代种群中选择4个路径个体，进行适应度值比较，将适应度最大的个体遗传到下一代，种群规模为200，则重复该选择步骤200次，得到新一代种群。

4、顺序交叉算子设计

顺序交叉(OX)：从父代A随机选择一个编码子串片段，放到子代A的对应位置，子代A空余的位置从父代B中按照B的顺序选取（与已有的编码不重复）。同理可得子代B。设置父代A=872|139|0546，父代B=983|567|1420。交叉过程:对于父代A,选择139进行遗传到下一代，其余部分从父代B中按照期序随机选取，从父代B中选择的元素不能和1、3、9散字相同，依次放到子代的对应位置，得到下一代A1，子代B1的求解过程同上，求解过程如下。

                                

5、两点对换变异算子设计(Mutation)

在本文中采用两点对换变异算子对种群进行变异操作，由于TSP问题的约束为路径中每个城市只能遍历一次，因此不能采用遗传算法常用的基于二进制编码的变异操作，不能由简单的变量进行翻转来实现变异。两点对换变异算子为在TSP问题中的个体编码是一系列城市的序列，随机在这个城市序列中抽取两个城市，然后交换他们的位置，这样就实现了个体的变异操作。

二、仿真结果如下：