遗传算法解决TSP问题

遗传算法解决TSP问题

1.      TSP问题

所谓TSP问题（旅行商问题）即最短路径问题就是在给定的起始点S到终止点T的通路集合中，寻求距离最小的通路，这样的通路成为S点到T点的最短路径。在寻找最短路径问题上，有时不仅要知道两个指定顶点间的最短路径，还需要知道某个顶点到其他任意顶点间的最短路径。用遗传算法解决这类问题，没有太多的约束条件和有关解的限制，因而可以很快地求出任意两点间的最短路径以及一批次短路径。

2.1 遗传算法介绍

遗传算法是一种模拟生命进化机制的搜索和优化方法，是把自然遗传学和计算机科学结合起来的优化方程，有很强的解决问题的能力和广泛的适应性。其假设常描述为二进制位串，位串的含义依赖于具体应用。搜索合适的假设从若干初始假设的群体集合开始。当前种群成员通过模仿生物进化的方式来产生下一代群体，如随机变异和交叉。每一步，根据给定的适应度评估当前群体的假设，而后使用概率方法选出适应度最高的假设作为产生下一代的种子。

下面介绍几个遗传算法的基本概念：

（1）染色体（Chromosome）：在使用遗传算法时，需要把问题的解编成一个适合的码子。这种具有固定结构的符号串既是染色体，符号串的每一位代表一个基因。符号串的总位数成为染色体的长度，一个染色体就代表问题的一个解，每个染色体也被称为一个个体。

（2）群体（Population）：每代所产生的染色体总数成为群体，一个群体包含了该问题在这一代的一些解的集合。

（3）适应度（Fitness）：对群体中每个染色体进行编码后，每个个体对应一个具体问题的解，而每个解对应于一个函数值。该函数值即适应函数，就是衡量染色体对环境适应度的指标，也是反映实际问题的目标函数

在前一代群体的基础上产生新一代群体的工作成为遗传操作，基本的遗传操作有：

（1）选择（Select）：按一定的概率从上代群体中选择M对个体作为双亲，直接拷贝到下一代，染色体不发生变化。

（2）交叉（Crossover）：对于选中进行繁殖的两个染色体X，Y，以X，Y为双亲作交叉操作，从而产生两个后代X1，Y1.

（3）变异（Mutation）：对于选中的群体中的个体（染色体），随机选取某一位进行取反运算，即将该染色体码翻转。

用遗传算法求解的过程是根据待解决问题的参数集进行编码，随机产生一个种群，计算适应函数和选择率，进行选择、交叉、变异操作。如果满足收敛条件，此种群为最好个体，否则，对产生的新一代群体重新进行选择、交叉、变异操作，循环往复直到满足条件。

2.2 遗传算法原型：

GA(Fitness,Fitness_threshold,p,r,m)

              Fitness:适应度评分函数,为给定假设赋予一个评估分数

              Fitness_threshold:指定终止判据的阈值

              p:群体中包含的假设数量

              r:每一步中通过交叉取代群体成员的比例

              m:变异率

l 初始化群体:P←随机产生的p个假设

l 评估:对于P中的每一个h,计算Fitness(h)

l 当[maxFitness(h)]<Fitness_threshold,做
产生新的一代P_s:

1.选择:用概率方法选择P的(1-r)p个成员加入P_s.从P中选择假设h_i的概率用下面公式计算:

                    

       2.交叉:根据上面给出的,从P中按概率选择r(p/2)对假设.对于每对假设<h1，h2>,应用交叉算子产生两个后代.把所有的后代加入P_s

       3.变异:使用均匀的概率从P_s中选择m%的成员.对于选出的每