本文介绍了使用遗传算法解决旅行商问题的方法。首先阐述了旅行商问题的背景和数学模型，接着详细讲解了遗传算法的实现过程，包括准备、洗牌操作、交叉操作、变异操作、选择操作，并提供了部分关键程序代码片段。最终，通过10个城市的实例展示了算法的应用和计算结果。
TSP问题是一个排序问题，排序与编码有几分相似，我们可以用遗传算法解决TSP问题么？
毫无疑问，是的。
Part 1 旅行商问题
TSP是一个典型的组合优化问题：
假设有一个旅行商人要拜访n个城市，他必须选择所要走的路径，路径的限制是每个城市只能拜访一次，而且最后要回到原来出发的城市。路径的选择目标是要求得的路径路程为所有路径之中的最小值。
当城市数目n较小时可以求解比较容易，一旦n增加，TSP问题就变得复杂。
TSP的数学模型可以可以表示为如下形式：
Part 2 遗传算法求解旅行商问题的实现
基本遗传算法的主要步骤如下：
对于TSP问题，每一个个体代表着一种排列方式，而排列方式本身就是一种编码，所以，我们得到路径即得到编码，无需再对数据进行编码。
也正是由于路径顺序即为编码，所以在交叉、变异时要受到不能重复的限制，这是使用遗传算法求解TSP问题与求解一般问题的最大不同。
Point 1 准备
- 有n个城市，其坐标按以下方式给出：
- 计算出所有城市之间的距离，定义存放城市间距离的矩阵如下：
计算程序如下：
for i = 1:n
for j = 1:n
if i <= j
City_Distance(i,j) = norm(City_Coord(:,i)-City_Coord(:,j));
City_Distance(j,i) = City_Distance(i,j);
end
end
end- 假设种群中有m个个体，我们定义种群矩阵X如下，可以看出TSP问题本身是一个一元问题，一个个体对应一个染色体。
Point 2 洗牌（乱序）操作
为了避免在迭代过程中交叉操作总是在相邻的两个个体的染色体之间发生，在交叉操作之前，先对种群中的每一个个体的前后顺序进行重新排列，即X的列向量打乱顺序。
程序如下：
shuffle = randperm(m);
X = X(:,shuffle);Point 3 交叉操作
- 随机选取两个交叉点
- 将交叉点中间的基因段进行互换
- 互换后，将互换的基因段与基因段以外的部分中重复（冲突）的元素用另一父本的相应位置来代替，直到没有冲突。
交叉操作程序（太长了，影响阅读体验，详见最后总程序）
Point 4 变异操作
- 随机选取两个变异点
- 将变异点中间的基因段进行倒序
变异操作程序（太长了，影响阅读体验，详见最后总程序）
Point 5 选择操作
- 计算每个个体对应的路径长度，定义如下矩阵来存放：
路径长度计算程序：
function X_Function = GetFunction(n, m, City_Distance, X)
for i = 1:m
X_Function(i) = 0;
for ii = 1:(n - 1)
X_Function(i) = X_Function(i) + City_Distance(X(ii, i), X(ii+1, i));
end
X_Function(i) = X_Function(i) + City_Distance(X(n, i), X(1, i));
end
end- 由于TSP问题求最短路径，所以适应度与路径长度成反比，定义适应度为：
定义存储适应度的矩阵为：
适应度计算程序：
function X_Fitness = GetFitness(n, m, City_Distance, X)
X_Function = GetFunction(n, m, City_Distance, X);
for i = 1:m
X_Fitness(i) = 1000 / X_Function(i);
end
end- 轮盘赌法+精英保留策略进行选择
function X = Select(n, m, City_Distance, X)
X_Fitness = GetFitness(n, m, City_Distance, X);
fitness_sum = sum(X_Fitness); %适应度求和
Possibility = cumsum(X_Fitness / fitness_sum); %根据适应度计算，X_Fitness / fitness_Sum是被选择到的概率，Possibility为累积概率
for i = 1:(m - 1) %n_Population选n_Population-1，可重复选
hand_of_god = rand; %“上帝之手”转动轮盘，皮一下好开心
for ii = 1:m
if hand_of_god < Possibility(ii)
Temp_X(:,i) = X(:,ii); %Temp_X为临时存储选择到的值的矩阵
break
end
end
end
[~, max_x_position] = max(X_Fitness); %找出最大适应度索引
Temp_X(:, m) = X(:, max_x_position);
X = Temp_X; %得到选择后的种群
endPoint 6 总程序
以求10个城市的TSP问题为例，10个城市的坐标如下：
%----------求解TSP问题----------%
clc;
clear all;
close all;
%给定城市坐标City_Coord，每一列代表一个城市
City_Coord = [0.4000, 0.2439, 0.1707, 0.2293, 0.5171, 0.8732, 0.6878, 0.8488, 0.6683, 0.6195;
0.4439, 0.1463, 0.2293, 0.7610, 0.9414, 0.6536, 0.5219, 0.3609, 0.2536, 0.2634];
%获取城市数量city_quantity
n = size(City_Coord, 2); %City_Coord的列数即为城市数量
%计算城市之间的距离city_distance矩阵 %city_quantity行city_quantity列，第i行第j列代表城市i到城市j的距离
for i = 1:n
for j = 1:n
if i <= j
City_Distance(i,j) = norm(City_Coord(:,i)-City_Coord(:,j));
City_Distance(j,i) = City_Distance(i,j);
end
end
end
%----------设置参数----------%
m = 20; %种群个体数目
pc = 0.5; %交叉概率
pm = 0.1; %变异概率
n_loop_max = 100; %最大迭代次数
%----------一些矩阵说明----------%
History_XBest = []; %存储每次循环中最优的路径，每一列为依次循环中的路径
History_X_FunctionBest = []; %存储每次循环中最优的路径长度，行向量
%----------主循环----------%
for n_loop = 1:n_loop_max
if n_loop == 1
X = X_init(n, m); %种群初始化
end
%将当前种群最优路径存储进历史记录
X_Function = GetFunction(n, m, City_Distance, X);
[min_X_Function, min_X_Function_position] = min(X_Function);
History_XBest(:, n_loop) = X(:, min_X_Function_position); %存储当前最优路径
History_X_FunctionBest(n_loop) = min_X_Function; %存储当前最优路径的长度
fprintf('第%d次迭代n',n_loop)
fprintf('初始种群：')
display(X)
%洗牌（打乱顺序）
shuffle = randperm(m);
X = X(:,shuffle);
fprintf('洗牌后：')
display(X)
%交叉
X = Cross(m, n, X, pc);
fprintf('交叉后：')
display(X)
%变异
X = mutate(n, m, X, pm);
fprintf('变异后：')
display(X)
%选择
X = Select(n, m, City_Distance, X);
fprintf('选择后的新种群：')
display(X)
end
%将最后一次迭代种群最优路径存储进历史记录
X_Function = GetFunction(n, m, City_Distance, X);
[min_X_Function, min_X_Function_position] = min(X_Function);
History_XBest(:, n_loop) = X(:, min_X_Function_position); %存储当前最优路径
History_X_FunctionBest(n_loop) = min_X_Function; %存储当前最优路径的长度
Xbest = X(:, min_X_Function_position);
XFbest = min_X_Function;
%**********************打印结果**********************%
fprintf('二进制编码混合遗传算法：n')
fprintf('****************参数设置****************n')
fprintf('种群个体数目: %dn', m)
fprintf('交叉概率: %fn', pc)
fprintf('变异概率: %fn', pm)
fprintf('最大迭代次数: %dn', n_loop_max)
fprintf('****************迭代结果****************n')
fprintf('最优路径为： %d %d %d %d %d %d %d %d %d %dn', Xbest)
fprintf('最优路径的长度为： %fn', XFbest)
fprintf('****************************************n')
fprintf('endn')
%**********************************************************************%
%****************************种群X初始化函数****************************%
%**********************************************************************%
function X = X_init(n, m)
for i = 1:m %随机生成城市顺序
X(:, i) = randperm(n);
end
end
%**********************************************************************%
%*********************计算函数值（路径总长度）函数**********************%
%**********************************************************************%
function X_Function = GetFunction(n, m, City_Distance, X)
for i = 1:m
X_Function(i) = 0;
for ii = 1:(n - 1)
X_Function(i) = X_Function(i) + City_Distance(X(ii, i), X(ii+1, i));
end
X_Function(i) = X_Function(i) + City_Distance(X(n, i), X(1, i));
end
end
%**********************************************************************%
%****************************计算适应度函数****************************%
%**********************************************************************%
function X_Fitness = GetFitness(n, m, City_Distance, X)
X_Function = GetFunction(n, m, City_Distance, X);
for i = 1:m
X_Fitness(i) = 1000 / X_Function(i);
end
end
%**********************************************************************%
%*********************相邻两个染色体两点交叉算法函数**********************%
%**********************************************************************%
function X = Cross(m, n, X, pc)
if mod(m ,2) == 0
cross_num = m; %如果个体数为偶数，参与交叉个体数为全部个体数
else
cross_num = m - 1; %如果个体数为奇数，参与交叉个体数为全部个体数-1，,最后一个不参与交叉
end
for i = 1:2:cross_num
hand_of_god = rand; %上帝之手随机做选择
if hand_of_god < pc %如果上帝手小于交叉概率pc，就进行交叉，否则不交叉
%A、B为相邻两条染色体，减少索引次数
A = X(:, i);
B = X(:, i+1);
%确定交叉范围
first = round(rand * (n - 1)) + 1; %交叉段起点
last = round(rand * (n - first)) + first; %交叉段结束点
%交叉
Cross_Temp = A(first:last); %Cross_Temp为临时存储
A(first:last) = B(first:last);
B(first:last) = Cross_Temp;
%检查并修正冲突
A = Reslove_Conflict(n, first, last, A, B);
B = Reslove_Conflict(n, first, last, B, A);
X(:, i) = A;
X(:, i+1) = B;
end
end
end
%**********************************************************************%
%***********************检查并修正冲突(交叉结束后)************************%
%**********************************************************************%
function A = Reslove_Conflict(n, first, last, A, B)
%寻找A中重复出现的值（冲突）
while 1
k = 0;
for ii = 1:n
for iii = ii+1 : n
if A(ii) == A(iii)
k = k+1;
Save(1, k) = A(ii);
Save(2, k) = ii; %Save为3行重复值的个数列的矩阵，第一行是重复值的数值，第二三行是重复值的位置
Save(3, k) = iii;
end
end
end
if k == 0
break
end
%替换A中的重复值
for ii = 1:k
if Save(2, ii) >= first && Save(2, ii) <= last %找到在交叉范围内的重复值的位置，使其为position1
position1 = Save(2, ii);
position2 = Save(3, ii);
else
position1 = Save(3, ii);
position2 = Save(2, ii);
end
A(position2) = B(position1);
end
end
end
%**********************************************************************%
%****************************变异函数****************************%
%**********************************************************************%
function X = mutate(n, m, X, pm)
for i = 1:m
hand_of_god = rand; %上帝之手随机做选择
if hand_of_god < pm %如果上帝手小于变异概率pc，就进行变异，否则不变异
Temp = X(:, i);
%确定变异范围
first = round(rand * (n - 1)) + 1; %变异段起点
last = round(rand * (n - first)) + first; %变异段结束点
if last == first
if last ~= n
last = last + 1;
else
first ~= 1;
first = first - 1;
end
end
Temp(first:last) = flipud(Temp(first:last)); %逆序（变异）
X(:, i) = Temp;
end
end
end
%**********************************************************************%
%********************************选择函数********************************%
%**********************************************************************%
function X = Select(n, m, City_Distance, X)
X_Fitness = GetFitness(n, m, City_Distance, X);
fitness_sum = sum(X_Fitness); %适应度求和
Possibility = cumsum(X_Fitness / fitness_sum); %根据适应度计算，X_Fitness / fitness_Sum是被选择到的概率，Possibility为累积概率
for i = 1:(m - 1) %n_Population选n_Population-1，可重复选
hand_of_god = rand; %“上帝之手”转动轮盘，皮一下好开心
for ii = 1:m
if hand_of_god < Possibility(ii)
Temp_X(:,i) = X(:,ii); %Temp_X为临时存储选择到的值的矩阵
break
end
end
end
[~, max_x_position] = max(X_Fitness); %找出最大适应度索引
Temp_X(:, m) = X(:, max_x_position);
X = Temp_X; %得到选择后的种群
end计算结果如下：
扫一扫
1637
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
