用遗传算法求解TSP问题（Matlab）

已于 2023-11-19 15:32:58 修改
阅读量969 收藏 22
点赞数 1
文章标签： 人工智能 算法
于 2023-11-19 15:30:02 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_62488888/article/details/134491121
版权

一、实验目标

1、完成基于Matlab 的遗传算法的编写，并用于测试旅行商问题，给出结果

2、 掌握遗传算法的基本流程
3、 掌握 TSP 问题的数据化处理
4、 掌握适应度函数编写
5、 掌握交叉、变异和选择操作编写

二、实验内容

1、 将例子中城市的个数扩充到 30 个

%城市坐标

map=[18,54;87,76;74,78;71,71;25,38;58,35;4,50;13,40;18,40;24,42;

    71,44;64,60;68,58;83,69;58,69;54,62;51,67;37,84;14,94;2,99;

    7,64;22,60;25,62;62,32;87,7;91,38;83,46;41,26;45,21;44,35];

2、 将例子中的选择算子改成轮盘赌实现。

% 调用函数进行轮盘赌选择操作

Road = chooseParentsRoulette(Road, fitness);

3、 将例子中的顺序交叉改成下图所示的顺序交叉方法

% 调用顺序交叉函数

children = [];

for i=1:Popsize

    if rand<pc  %rand(1)小于1的随机数

        sgpoint=randi(n,2,1); %获得1-n中的随机数，数量为2

        minsg=min(sgpoint);

        maxsg=max(sgpoint);

        x=randi(Popsize,2,1); %调用randi函数，获得[1:Popsize]中的两个随机数

        parent1=Road(x(1),:);%获得两个交叉用父代

        parent2=Road(x(2),:);

        child = sequentialCrossover(parent1, parent2);

        children = [children; child];

    end



end

4、 将例子中计算路径长度的语句用调用函数的形式实现

% 调用函数计算路径长度

Dist = calculatePathLengths(children, map, @distance);

5、 结果展示中，画出一条初始路径、一条全局最优路径和迭代曲线

% 绘制初始路径

figure;

subplot(2, 1, 1);

plot(map(:,1), map(:,2), 'ro');

hold on;

plot([map(Road(1,:),1); map(Road(1,1),1)], [map(Road(1,:),2); map(Road(1,1),2)], 'b-');

title('初始路径');

xlabel('X坐标');

ylabel('Y坐标');



% 绘制全局最优路径

subplot(2, 1, 2);

plot(map(:,1), map(:,2), 'ro');

hold on;

plot([map(MinRoad(Iterindex,:),1); map(MinRoad(Iterindex,1),1)], [map(MinRoad(Iterindex,:),2); map(MinRoad(Iterindex,1),2)], '*-');

title('全局最优路径');

xlabel('X坐标');

ylabel('Y坐标');



% 绘制迭代曲线

figure;

plot(1:MaxIter, MinRoad_value, 'b-');

title('迭代曲线');

xlabel('迭代次数');

ylabel('最短路径长度');

三、实验总结

通过运行我们的遗传算法程序，我们得到了30个城市TSP问题的解。在结果展示中，我们也绘制了初始路径、全局最优路径和迭代曲线。通过对比和分析这些结果，我们可以得出以下结论：

  1. 遗传算法能够有效地解决TSP问题。
    通过运行我们的程序，我们得到了一个相对较优的解，这表明遗传算法是一种解决TSP问题的有效方法。
  2. 增加城市数量对算法性能有一定影响。
    在本次实验中，我们将城市数量扩展到30个，增加了一定的计算量和复杂性。但是我们的算法仍然能够得到较好的结果，这说明我们的算法具有一定的扩展性和鲁棒性。

四、代码附录

运行代码

%parameters

%城市坐标

map=[18,54;87,76;74,78;71,71;25,38;58,35;4,50;13,40;18,40;24,42;

    71,44;64,60;68,58;83,69;58,69;54,62;51,67;37,84;14,94;2,99;

    7,64;22,60;25,62;62,32;87,7;91,38;83,46;41,26;45,21;44,35];



n=max(size(map));  % the number of cities

pc=0.8;  %交叉概率，相当于基因遗传的时候染色体交叉

pm=0.1;  %染色体变异

MaxIter=200;  %允许迭代最大次数

Popsize=150;  %群体的大小



% initialize population

for i=1:Popsize

    Road(i,:)=randperm(n); %产生自然数1到n的一个随机排列

end



Iter=1;

MinRoad=zeros(MaxIter,n);

MinRoad_value=zeros(MaxIter,1);

fitness=zeros(MaxIter,1);

while(Iter<=MaxIter)



%计算每条路径的长度

% 调用函数计算路径长度



for i =1:Popsize

    route(1,:)=[Road(i,:),Road(i,1)];

end

Dist = calculatePathLengths(Road, map, @distance);



[Mindist,q]=min(Dist);   %在Dist中，找出最短路径长度

Maxdist=max(Dist);

MinRoad_parents=Road(q,:);%存入MinRoad_parents_value，并得到该最短路径

MinRoad_parents_value=Mindist;%将它存入MinRoad_parents



for i=1:Popsize

fitness(i)=1-(Dist(i)-Mindist)/(Maxdist-Mindist);

%计算每条路径的适应度函数，存入fitness， fitness大小为Popsize*1

%最小值问题转成最大值问题，并进行归一化处理

end





% 调用函数进行轮盘赌选择操作

Road = chooseParentsRoulette(Road, fitness);



% 调用顺序交叉函数

children = [];

for i=1:Popsize

    if rand<pc  %rand(1)小于1的随机数

        sgpoint=randi(n,2,1); %获得1-n中的随机数，数量为2

        minsg=min(sgpoint);

        maxsg=max(sgpoint);

        x=randi(Popsize,2,1); %调用randi函数，获得[1:Popsize]中的两个随机数

        parent1=Road(x(1),:);%获得两个交叉用父代

        parent2=Road(x(2),:);

        child = sequentialCrossover(parent1, parent2);

        children = [children; child];

    end



end



% 调用函数计算路径长度

Dist = calculatePathLengths(children, map, @distance);



[Mindist,q]=min(Dist);

MinRoad_crossover=Road(q,:);

MinRoad_crossover_value=Mindist;

  

 % mutation变异

 for i=1:Popsize

     if rand<pm&&i~=q  %不对最优的路径变异

         mupoint=randi(n,1,2);

         temp_point=Road(i,mupoint(1));

         Road(i,mupoint(1))=Road(i,mupoint(2));

         Road(i,mupoint(2))=temp_point;

     end

 end

        

% 调用函数计算路径长度

Dist = calculatePathLengths(Road, map, @distance);



[Mindist,q]=min(Dist);

MinRoad_mutation=Road(q,:);

MinRoad_mutation_value=Mindist;  

 

%每一代中找到的最优路径



MinRoad_opt=[MinRoad_parents;MinRoad_crossover;MinRoad_mutation];

a=[MinRoad_parents_value;MinRoad_crossover_value;MinRoad_mutation_value];

[Minvalue,m]=min(a);

MinRoad(Iter,:)=MinRoad_opt(m,:);

MinRoad_value(Iter,1)=Minvalue;

Iter=Iter+1;

end



%找出全局最优路径及其迭代次数

[MinestRoad_value,Iterindex]=min(MinRoad_value);

disp('最优路径为:');

disp(MinRoad(Iterindex,:));

disp('最优路径长度为:');

disp(MinestRoad_value);

disp('获得最佳路径的迭代次数为:');

disp(Iterindex);



% 绘制初始路径

figure;

subplot(2, 1, 1);

plot(map(:,1), map(:,2), 'ro');

hold on;

plot([map(Road(1,:),1); map(Road(1,1),1)], [map(Road(1,:),2); map(Road(1,1),2)], 'b-');

title('初始路径');

xlabel('X坐标');

ylabel('Y坐标');



% 绘制全局最优路径

subplot(2, 1, 2);

plot(map(:,1), map(:,2), 'ro');

hold on;

plot([map(MinRoad(Iterindex,:),1); map(MinRoad(Iterindex,1),1)], [map(MinRoad(Iterindex,:),2); map(MinRoad(Iterindex,1),2)], '*-');

title('全局最优路径');

xlabel('X坐标');

ylabel('Y坐标');



% 绘制迭代曲线

figure;

plot(1:MaxIter, MinRoad_value, 'b-');

title('迭代曲线');

xlabel('迭代次数');

ylabel('最短路径长度');

calculatePathLengths.m

function Dist = calculatePathLengths(Road, map, distance)

    % 计算每条路径的长度

   

    [Popsize, n] = size(Road);

    Dist = zeros(Popsize, 1);



    for i = 1:Popsize

        dist = 0;

        for j = 1:(n-1) 

            A = Road(i, j);

            B = Road(i, j+1);

            A1 = map(A, :);

            B1 = map(B, :);

            dist = dist + distance(A1, B1); 

        end

        % 将路径首尾两个城市的距离加入路径长度中

        A = Road(i, 1);

        B = Road(i, n);

        A1 = map(A, :);

        B1 = map(B, :);

        dist = dist + distance(A1, B1);

        Dist(i, 1) = dist;

    end

end

chooseParentsRouLette.m

function Road = chooseParentsRoulette(Road, fitness)

    % 选择操作：使用轮盘赌选择父代路径



    Popsize = size(Road, 1);

    totalFitness = sum(fitness);

    selectionProb = fitness / totalFitness;



    % 计算累积概率

    cumProb = cumsum(selectionProb);



    % 选择父代路径

    newRoad = zeros(size(Road));

    for i = 1:Popsize

        r = rand;

        for j = 1:Popsize

            if r <= cumProb(j)

                newRoad(i, :) = Road(j, :);

                break;

            end

        end

    end

   

    Road = newRoad;

end

distance.m

function d=distance(A,B)  %计算两城市之间距离函数

d=sqrt((A(1)-B(1))^2+(A(2)-B(2))^2); %距离公式

end

eliminate.m

function  elim=eliminate(x,y)



for n=1:length(y)

    x=x(find(x~=y(n))); %去除x中的y

end

elim=x;

end



fitness.m

function f=fitness(fmin,fmax,froad)

f=1-(froad-fmin)/(fmax-fmin);       %适应度函数

end

plotResults.m

function plotResults(initialPath, bestPath, iteration, distances)

    % 绘制初始路径、全局最优路径和迭代曲线

   

    figure;

   

    % 绘制初始路径

    subplot(1, 2, 1);

    plotPath(initialPath, '初始路径');

   

    % 绘制全局最优路径

    subplot(1, 2, 2);

    plotPath(bestPath, '全局最优路径');

   

    % 绘制迭代曲线

    figure;

    plot(iteration, distances, 'b.-');

    xlabel('迭代次数');

    ylabel('最短路径长度');

    title('迭代曲线');

end



function plotPath(path, titleText)

    x = path(:, 1);

    y = path(:, 2);

    x = [x; x(1)]; % 将路径首尾相连形成闭环

    y = [y; y(1)];

    plot(x, y, 'r.-');

    xlabel('X坐标');

    ylabel('Y坐标');

    title(titleText);

    axis equal;

end

sequentialCrossover.m

function child = sequentialCrossover(parent1, parent2)
    % 顺序交叉操作：从第一双亲随机选择一个字串，通过拷贝子串产生原始后代
    
    n = length(parent1);
    
    % 从第一双亲中随机选择一个字串
    startIdx = randi([1, n-1]);
    endIdx = randi([startIdx+1, n]);
    
    % 拷贝子串生成原始后代
    child = zeros(1, n);
    child(startIdx:endIdx) = parent1(startIdx:endIdx);
    
    % 删除第二双亲中已有的城市
    for i = startIdx:endIdx
        parent2(parent2 == child(i)) = 0;
    end
    
    % 将剩余的城市按顺序填入后代的空缺位置
    child(child == 0) = parent2(parent2 ~= 0);
end
毽子捂耳朵
关注
  • 1
    点赞
  • 踩
  • 22
    收藏
    觉得还不错? 一键收藏
  • 1
    评论
人工智能导论——遗传算法求解TSP问题实验
cangzhexingxing的博客
04-08 2万+
一、实验目的： 熟悉和掌握遗传算法的原理、流程和编码策略，并利用遗传算法求解组合优化问题，理解求解TSP问题的流程并测试主要参数对结果的影响。 二、实验原理： 旅行商问题，即TSP问题（Traveling Salesman Problem）是数学领域中著名问题之一。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，路经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。TSP问题是一个组合优化问题。该问题可以被证明具有NPC计算复
实验5 遗传算法求解tsp问题
blaze_jack
01-31 1万+
传送门（所有的实验都使用python实现） 实验1 BP神经网络实验 实验2 som网实验 实验3 hopfield实现八皇后问题 实验4 模糊搜索算法预测薄冰厚度 实验5 遗传算法求解tsp问题 实验6 蚁群算法求解tsp问题 实验7 粒子群优化算法求解tsp问题 实验8 分布估计算法求解背包问题 实验9 模拟退火算法求解背包问题 实验10 禁忌搜索算法求解tsp问题 ...
人工智能应用-实验2-遗传算法求解 TSP 问题实验
最新发布
半岛铁盒里
05-22 1329
遗传算法求解TSP问题
算法入门 24. TSP问题(状态压缩DP）
m0_57006708的博客
08-25 1205
TSP问题 问题描述如下： 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。 #include<iostream> using namespace std; const int maxn=16; int n; int d[maxn][maxn]; int dp[1 << maxn][maxn]; void init(){ cin>&gt
遗传算法求解TSP问题
qq_27163583的博客
06-09 2万+
采用遗传算法进行25个城市的TSP问题求解，通过遗传算法求解得出的最短路径值为29085.91，最优路径为24→15→25→20→19→6→8→17→3→13→7→5→11→1→2→14→4→9→12→21→10→16→22→18→23→24（数字为城市序号）。同时根据不同参数下的实验结果，得出结论，随着种群数量的增长及迭代次数的越来越多，遗传算法寻优的结果越来越好。当然，由于遗传算法本身具有一定的随机性，能否快速收敛得看具体参数设定。...
人工智能实验：遗传算法求解TSP（旅行商问题）问题
weixin_44189135的博客
12-08 6496
实验四 TSP问题的遗传算法实现 1. 实验内容 以N个节点的TSP（旅行商问题）问题为例，应用遗传算法进行求解，求出问题的最优解。 1 旅行商问题 旅行商问题（Traveling Salesman Problem, TSP），又译为旅行推销员问题、货担郎问题，简称为TSP问题，是最基本的路线问题。假设有n个可直达的城市，一销售商从其中的某一城市出发，不重复地走完其余n-1个城市并回到原出发点，在所有可能的路径中求出路径长度最短的一条。 TSP问题是组合数学中一个古老而又困难的问题，也是一个典型的组合优化问
人工智能实验一：利用遗传算法求解 TSP（旅行商）问题
jzb的博客
03-10 2826
1.任务描述 本关任务：利用遗传算法求解 TSP 问题。 2.相关知识 为了完成本关任务，你需要掌握：1. 遗传算法；2. TSP问题。 遗传算法 一个后继状态由两个父状态决定，以k个随机产生的状态开始（population），一个状态表示成一个字符串。 定义一个健康度量函数用来评价状态的好坏程度，通过选择，交叉，突变的操作产生下一轮状态。
TSP问题的遗传算法实现
perfect_god的博客
01-05 1987
旅行商问题（Traveling Salesman Problem, TSP），又译为旅行推销员问题、货担郎问题，简称为TSP问题，是最基本的路线问题。假设有n个可直达的城市，一销售商从其中的某一城市出发，不重复地走完其余n-1个城市并回到原出发点，在所有可能的路径中求出路径长度最短的一条。TSP问题是组合数学中一个古老而又困难的问题，也是一个典型的组合优化问题，现已归入NP完备问题类。以N个节点的TSP（旅行商问题）问题为例，应用遗传算法进行求解，求出问题的最优解。
遗传算法解决TSP问题MATLAB实现（详细）
热门推荐
徐奕的专栏
02-01 8万+
问题定义：巡回旅行商问题 给定一组n个城市和俩俩之间的直达距离，寻找一条闭合的旅程，使得每个城市刚好经过一次且总的旅行距离最短。 TSP问题也称为货郎担问题，是一个古老的问题。最早可以追溯到1759年Euler提出的骑士旅行的问题。1948年，由美国兰德公司推动，TSP成为近代组合优化领域的典型难题。 TSP是一个具有广泛的应用背景和重要理论价值的组合优化问题。 近年来，有很多解决该问题的较为有效...
遗传算法求解TSP问题MATLAB实现.doc
11-30
遗传算法求解TSP问题MATLAB实现 遗传算法是一种常用的优化算法，它可以应用于解决旅行商问题（TSP）。TSP是一个经典的组合优化问题，目标是寻找最短的旅行路线，使得旅行商能够访问所有城市并返回出发点。遗传算法...
MATLAB源码集锦-蚁群算法求解TSP问题matlab代码
02-14
在本例中，MATLAB被用来实现蚁群算法求解TSP问题的代码编写。 MATLAB代码实现的关键步骤如下： 1. **初始化**：设定城市数量、蚂蚁数量、信息素蒸发率、信息素更新权重、启发式因子等参数。 2. **构建图**：创建...
MATLAB下使用遗传算法解决TSP问题.zip
04-04
使用遗传算法解决TSP问题，语言为MATLAB，可以出图！当然这并不是我写的代码，里面的工具箱函数为英国一所大学写的，这是我为发布的博文所附加的资料，用于理解遗传算法的实现方式！
解决tsp问题，matlab代码
05-15
解决tsp问题，matlab代码，基于蚁群算法，保障算法正确性和有效性。
matlab解决tsp问题-遗传算法
06-07
利用遗传算法解决的tsp问题，matlab源码
遗传算法解决TSP问题MATLAB程序（绝对可用）
03-18
遗传算法，MATLAB程序源代码，完美觖旅行商问题
遗传算法解决 TSP 问题（附matlab源程序）.docx-综合文档
05-25
《遗传算法解决TSP问题（附matlab源程序）》 旅行商问题（Traveling Salesman Problem, TSP）是一个经典的组合优化问题，涉及到寻找最短路径以遍历一系列城市并返回起点。在这个问题中，假设存在一个推销员需要访问...
遗传算法求解TSP问题 MATLAB代码
05-05
在本案例中，我们将使用MATLAB编程语言来实现遗传算法求解TSP问题。 首先，我们需要理解遗传算法的基本流程。遗传算法包括四个主要步骤：初始化种群、选择、交叉和变异。种群是问题解决方案的集合，每个个体代表一...
Matlab混合粒子群算法求解TSP问题matlab代码实例（带注释）
04-20
在本篇内容中，我们将深入探讨如何使用Matlab来实现混合粒子群算法（Hybrid Particle Swarm Optimization, HPSO）解决旅行商问题（Traveling Salesman Problem, TSP）。旅行商问题是一个经典的组合优化问题，目标是...
matlab遗传算法求解TSP旅行商问题
m0_51234524的博客
06-15 1万+
matlab遗传算法求解旅行商问题，对viafcccy原文的代码复现
遗传算法求解TSP问题详解：MATLAB实现与案例分析
本资源是一份详细的实验报告，标题为"基于遗传算法求解TSP问题.pdf"，主要针对旅行商问题(Traveling Salesman Problem, TSP)这一经典的优化问题进行研究。TSP是一个寻找给定城市间最短路径的问题，要求每个城市仅...
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值