基于遗传算法最短路径问题的讨论.docVIP

基于遗传算法最短路径问题的讨论 电信学院03研 200320100550 林婕 引言 　 遗传算法是基于生物进化原理的一种全局性优化算法,是借鉴生物的自然选择和遗传进化机制而开发出的一种全局优化自适应概率搜索算法,是生物遗传技术和计算机技术结合的产物。它采用的是启发性知识的智能搜索算法,在高空间复杂问题上比以往有更好的结果。它提供给我们的是一种通用的算法框架,具有很强的适应性,对特殊问题提供了极大的灵活性。遗传算法是一门新发展起来的学科,其理论、方法在实际中的应用随着具体问题的变化而不同。GIS 领域中所涉及的很多有关最优化问题的算法具备了遗传算法的结构特征,这些问题包括最佳路径分析、资源分配、连通分析、流分析以及决策支 持系统中的决策理论等。本文选择了其中最富有代表性的最短路径问题,着重探讨遗传算法求解最短路径问题的可行性。 1．GIS 最短路径分析 最短路径分析是GIS 空间建模最具代表性的问题之一,它涉及到组合优化、排列决策等问题。 根据图论理论可知:设图G 由非空点集合V = { V1 ,V2 ,ΛVn} 和边集合E = { e1 , e2 ,Λem} 组成,其中ei =( Pi1 , Pi2且ei ∈E ,若( Pi1 , Pi2) ≠( Pi2 , Pi1) ,则G 为一个有向图;又设ei 的值为ai , A = { a1 , a2 ,Λam} ,故G 可表示为一个三元组: G = { P , E , A}则求最短路径的数学模型可以描述为: min 最短路径问题的存储结构通常是采用针对图论中的带权图的邻接矩阵。而GIS 中最短路径分析则通常针对的是带权图(网) 。根据权的性质,这个问题的解可以是任何意义的最佳,如经济最省、时间最快、路程短、或者是其它意义上的“最优”。最短路径分析是GIS 网络分析的重要内容之一,而且也是网络分析中诸如最小成本计算、最佳地址选择等问题的基础。在GIS 中,这个问题有着各种实用的意义,其中最为常见的是求网络图的最短路径问题。 传统上最短路径通常有以下三种提法: (1) 求出给定的两点之间的最短路径,看似最简单的一种。 (2) 求给定点P0到图G 中其余各点之间的最短路径,即常说的单源最短路径问题。 (3) 求图G 中每两个顶点对之间的最短路径,即多源最短路径问题。 最短路径分析问题是一个典型的组合优化问题,且是一个NP 难题。其可能的路径数目随顶点数目的增加成指数增长。当前许多算法是针对第二种和第三种提法求解的,这些算法基本上是基于经典的Dijstra 算法和Floyd 算法,并附以某一领域特定知识构造而成。而对于第一种提法目前尚无可行的算法。这里将详细探讨利用遗传算法的理论来设计解决这一问题的算法。 2．算法求解最短路径 遗传算法是通过对群体中的多个个体的迭代搜索来逐步找出问题的最优解,它的操作对象是对解空间中解的编码串,其迭代运算是由其遗传算子来实现的。遗传算法的基本要素有三个: 编码方式、遗传算子、适应度函数。其中编码是将问题的解转换成编码串的方式来模拟生物的染色体进行遗传运算;算子是一系列操作的集合,模拟个体的生存环境;适应度函数是评价个体生存能力的准则度量函数。除了三个基本要素之外,遗传算法还涉及到控制其要素作用度的几个参数,即群体大小、交叉概率、变异概率、遗传代数等。遗传算法求解最短路径,首先要将路径表达成编码串的方式,再设计相关的选择、交叉和变异算子,以及适应度函数,本文就这几个方面作详细的 论述。 2. 1 　遗传编码 遗传算法的编码将待求问题的解的形式变换成遗传算法所面对的基本编码串对象,以便于遗传运算。对于最短路径问题,其可行解的形式一般为结点下标连接成的数字串,因此在遗传算法中的个体编码方式一般为符号编码。具体可以分为以下几种:近邻编码、序编码(Grefenstette 编码) 、边编码、自然编码等。本文在对比序编码和 自然编码后,选用自然编码方案来进行最短路径的算法设计。考虑到路径存在变长的情况,故在自然编码设计时将采用等长可变染色体的方式。若点数n = 9 ,求2 到点4 的路径,编码串(2 ,3 ,6 ,5 ,9 ,8 , 4 ,7 ,1) 代表的个体为(2 ,3 ,6 ,5 ,9 ,8 ,4) ,编码的最后 两位用来进行算子的运算。 2. 2 　算子设计 因为本文主要采用自然编码方案进行算法的设计,所以除介绍在路径表达中常用的几种算子之外,重点将放在自然编码方面的算子设计上。 (1) 选择算子 在路径设计中,选择算子一般采用比例选择算子。具体办法如下: 计算所有个体的适应度值Fi和总体适应度值∑Fi ,计算每个个体的适应度百分比FCi = Fi/ ∑Fi ,然后计算每个个体在(0 ,