利用遗传算法求解TSP问题

最新推荐文章于 2023-06-13 16:28:02 发布

四不四撒

最新推荐文章于 2023-06-13 16:28:02 发布

阅读量1.6k

点赞数

本文链接：https://blog.csdn.net/qq_41958347/article/details/103149802

版权

本文介绍了遗传算法的基本原理及其在解决旅行商问题(TSP)中的应用。通过实验展示了不同参数如种群数量、适应值归一化淘汰加速指数、交叉概率和变异概率对算法性能的影响。实验表明，适当的选择这些参数可以避免局部最优解，提高求解质量。种群数量增大能减少局部最优解出现，但会增加计算时间；适应值归一化淘汰加速指数在2-3之间最稳定；交叉概率不宜过高或过低，保持一定多样性；变异概率需适度以保持种群进化活力。

摘要由CSDN通过智能技术生成

遗传算法简介

遗传算法（Genetic Algorithm）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。遗传算法是从代表问题可能潜在的解集的一个种群（population）开始的，而一个种群则由经过基因（gene）编码的一定数目的个体(individual)组成。每个个体实际上是染色体(chromosome)带有特征的实体。染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现（即基因型）是某种基因组合，它决定了个体的形状的外部表现，如黑头发的特征是由染色体中控制这一特征的某种基因组合决定的。因此，在一开始需要实现从表现型到基因型的映射即编码工作。由于仿照基因编码的工作很复杂，我们往往进行简化，如二进制编码，初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代（generation）演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度（fitness）大小选择（selection）个体，并借助于自然遗传学的遗传算子（genetic operators）进行组合交叉（crossover）和变异（mutation），产生出代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码（decoding），可以作为问题近似最优解。

代码
设定原始城市列表
在这里插入图片描述

load pos.mat;

适应度函数(fit.m)

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

染色体的路程代价函数(mylength.m)

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

交叉操作函数(cross.m)

function [A,B]=cross(A,B)
L=length(A);
if L<10
    W=L;
elseif ((L/10)-floor(L/10))>=rand&&L>10
    W=ceil(L/10)+8;
else
    W=floor(L/10)+8;
end
%%W为需要交叉的位数
p=unidrnd(L-W+1);%随机产生一个交叉位置
%fprintf('p=%d ',p);%交叉位置
for i=1:W
    x=find(A==B(1,p+i-1));
    y=find(B==A(1,p+i-1));
    [A(1,p+i-1),B