计算智能——基于遗传算法的TSP问题（课堂实验）

一.引言

遗传算法喝蚁群算法都是时效的最优化搜索算法，在解决诸如TSP这类组合优化问题时，它们各有所长。
本文使用MATLAB先来分析遗传算法自身的参数影响，再进一步对比分析两种算法解决TSP问题的性能。

二.遗传算法基本原理和TSP求解

遗传算法由美国J.Holland教授提出。

其主要特点：群体搜索策略
                      群体中个体间的信息交换

搜索不依赖于梯度信息。

遗传算法的三个主要操作算子：选择算子
                                                  交叉算子
                                                  变异算子

遗传算法包含的五个要素：
1.对参数进行编码
2.设定初始种群大小
3.适应度函数设计
4.遗传操作设计
5.控制参数设定（包括种群大小，最大进化代数，交叉概率，变异概率等。）

遗传算法求解TSP问题最重要的地方：
交叉操作时，城市交换的方法。

交叉前：

交叉后：

由图可见会出现城市冲突现象
解决办法：

将染色体A冲突基因8改为染色体B对应位置的5
以此类推来消除冲突
得到结果：

关于遗传算法的其他详细原理可以参考上篇文章遗传算法

三.遗传算法自身参数分析

3.1 城市个数的讨论

城市个数的参数讨论，是建立在城市个数不同（个数保持一定时，数据集保持一致）的情况下，各运行10次，比较最优解和最差解的差值，再自己估计一下10次的平均值，来看在当前城市个数下该算法的性能。以讨论出遗传算法适合更优的解题城市区间。
最优值和最差值的差值越小，说明算法性能越好。

其他参数设置（保持不变）
种群数量：100
迭代次数：500
交叉概率：0.8
变异概率：0.05
各运行10次

1.城市个数为10：

最优解：


最差解：


平均值： 8.72e+00
最优与最差差值： 约0.25e+00

2.城市个数为30：
最优解：


最差解：

平均值： 2.23e+01
最优与最差差值： 约0.4e+01

3.城市个数为50：
最优解：