cTSP问题的设计思路.docxVIP

c# TSP设计思路1问题分析TSP问题是一个经典的数学问题:当有N个城市,一个旅行商需要贩卖货物走遍所有城市后回到出发城市，求其最短路径的解。由于遗传算法方法的本质是处理复杂问题的一种随机搜索算法, 因此利用遗传算法求解TSP问题是方便和快速的。2算法说明：1 初始化群体：设N个城市，n个子群体，每个子群中m个个体，初始设计交叉概率,变异概率， lchrom : 城市数量pcross：交叉的概率pmutation：变异的概率co_min：时间选择;使用遗传算法目前数学界已经有标准定义,我们只要按照标准算法,即可求解出TSP问题的最优解法:算法定义包括包括群体的初始化，选择，交叉，变异操作。其主要步骤可描述如下：（1）随机产生一组初始个体构成的初始种群，并评价每一个个体的适配值。（2）判断算法的收敛准则是否满足。若满足输出搜索结果；否则执行以下步骤。（3）根据适配值大小以一定方式执行选择操作。（4）按交叉概率Pc执行交叉操作.（5）按变异概率Pm执行变异操作。（6）返回步骤（2）。 本TSP问题的遗传算法总体设计总体设计说明：（1）本算法的判断结束准则是固定指定了迭代的次数当算法达到迭代次数时，算法结束，输出当前的最优解（2）在根据适配值计算并选择的时候，记录下来的当前最优值，在变异后加入跟新的群体，保证新的迭代循环中TSP解越来越好（不会变差）。（3）在选择的一种操作是拿最优的K个替换最差的K个个体，本例是按适配值选择，并使群体数目变少，当每次变异操作后，产生随机路径补充群体是群体数目不变，再次循环，一定程度上防止因初始群体的选择问题而陷入局部最优。2 详细设计2.1　编码与随机和初始群体生成给所有城市编码，以城市的遍历次序作为遗传算法的编码。在MATLAB中使用 randperm(N)产生一个1×N 的矩阵（N为所有城市的个数，本例中为31）为一个随机路径。利用n×N矩阵存储n个随机群体产生初始群体。2.2 　城市位置及距离矩阵和适应度函数城市的位置为编译前指定，也可以使用随机生成的坐标参数。距离矩阵使用一个N×N矩阵D存储，D（i，j）代表城市 i和城市j之间的距离。D（i，j）=sqrt(（Xi-Xj）.^2+(Yi-Yj).^2)在该问题的求解中，用距离的总和来衡量适应度，距离的总和越大，适应度越小，进而探讨求解结果是否最优。每个个体（每条路径距离）总合计算公式为： Rectangle rect = new Rectangle();rect = Screen.GetWorkingArea(this);Graphics g1 = this.CreateGraphics();myImage = new Bitmap(420,450,g1);Graphics g2 = Graphics.FromImage(myImage);IntPtr dc1 = g1.GetHdc();IntPtr dc2 = g2.GetHdc();BitBlt(dc2,0,0,420,450,dc1,24,30;g1.ReleaseHdc(dc1);g2.ReleaseHdc(dc2);2.3 选择选择操作是为了避免有效基因的损失，使高性能的个体得以更大的几率生存，从而得到全局收敛性和计算效率。本例中使用的适配值函数为for(k=0;klchrom;k++)for(j=0;jlchrom;j++)dd[k*lchrom+j]=hypot(x[k]-x[j],y[k]-y[j]); 利用循环选择个体，将个体，将较小路径(适应度较大)个体选择下来。但这种算法的群体的个体数目变小并且较优的个体个数较少， 可能收敛的数目变慢，在算法调试的过程中证明了这一点。3. c#编程验证 1初始值（图 1）种群大小=30染色体的长度=30运行代数=200变异概率=0.01交叉概率=0.75测算最大种群=40.4891055418042 测算平均种群=33.957564905523 测算最小种群=29.3854736066898 测算种群总和=1018.72694716569 结果: 城市: 30 种群: 30 交叉概率: 0.75 变异概率: 0.01 X 值 :373142375395218149346366614051931222852692531382371011782524023725828717515489312271144 Y 值:2602869415325291214801252041607518650271601061511081902022402510774132146133501092初始值（图 2）种群大小=50染色体的长度=50运行代数=500变异概率=0.01交叉概率=0.95测算最大种群=31.4973726222