《遗传算法解决TSP问题》.docVIP

遗传算法解决TSP问题 TSP问题 所谓TSP问题（旅行商问题）即最短路径问题就是在给定的起始点S到终止点T的通路集合中，寻求距离最小的通路，这样的通路成为S点到T点的最短路径。 在寻找最短路径问题上，有时不仅要知道两个指定顶点间的最短路径，还需要知道某个顶点到其他任意顶点间的最短路径。用遗传算法解决这类问题，没有太多的约束条件和有关解的限制，因而可以很快地求出任意两点间的最短路径以及一批次短路径。遗传算法是一种模拟生命进化机制的搜索和优化方法，是把自然遗传学和计算机科学结合起来的优化方程，有很强的解决问题的能力和广泛的适应性。 下面介绍几个遗传算法的基本概念： （1）染色体（Chromosome）：在使用遗传算法时，需要把问题的解编成一个适合的码子。这种具有固定结构的符号串既是染色体，符号串的每一位代表一个基因。符号串的总位数成为染色体的长度，一个染色体就代表问题的一个解，每个染色体也被称为一个个体。 （2）群体（Population）：每代所产生的染色体总数成为群体，一个群体包含了该问题在这一代的一些解的集合。 （3）适应度（Fitness）：对群体中每个染色体进行编码后，每个个体对应一个具体问题的解，而每个解对应于一个函数值。该函数值即适应函数，就是衡量染色体对环境适应度的指标，也是反映实际问题的目标函数 在前一代群体的基础上产生新一代群体的工作成为遗传操作，基本的遗传操作有： （1）选择（Select）：按一定的概率从上代群体中选择M对个体作为双亲，直接拷贝到下一代，染色体不发生变化。 （2）交叉（Crossover）：对于选中进行繁殖的两个染色体X，Y，以X，Y为双亲作交叉操作，从而产生两个后代X1，Y1. （3）变异（Mutation）：对于选中的群体中的个体（染色体），随机选取某一位进行取反运算，即将该染色体码翻转。 用遗传算法求解的过程是根据待解决问题的参数集进行编码，随机产生一个种群，计算适应函数和选择率，进行选择、交叉、变异操作。如果满足收敛条件，此种群为最好个体，否则，对产生的新一代群体重新进行选择、交叉、变异操作，循环往复满足条件。 Fitness:适应度评分函数,为给定假设赋予一个评估分数 Fitness_threshold:指定终止判据的阈值 p:群体中包含的假设数量 r:每一步中通过交叉取代群体成员的比例 m:变异率 初始化群体:P←随机产生的p个假设 评估:对于P中的每一个h,计算Fitness(h) 当[maxFitness(h)]Fitness_threshold,做产生新的一代Ps: 1.选择:用概率方法选择P的(1-r)p个成员加入Ps.从P中选择假设hi的概率用下面公式计算: 2.交叉:根据上面给出的,从P中按概率选择r(p/2)对假设.对于每对假设h1，h2,应用交叉算子产生两个后代.把所有的后代加入Ps 3.变异:使用均匀的概率从Ps中选择m%的成员.对于选出的每个成员,在它表示中随机选择一个为取反 4.更新:P←Ps 5.评估:对于P中的每个h计算Fitness(h) 从P中返回适应度最高的假设 TSP问题的遗传算法设计与实现 3.1 TSP问题的图论描述 求最短路径问题，用图论术语描述如下：在图G(V,A)中，V表示顶点集合，V=(v1,v2,…,vn)对G中的某一边(,)，相应的有一个数d(,)，如果G中不存在边(,)，则令d(,)无穷大，如果把d(,)认为是边(,)的长度，则路的长度定义为组成路的条边的长度总和。 顶点,之间是否有边相连，由邻接矩阵来决定。 邻接矩阵A：对一个具有v个顶点，e条边的图G的邻接矩阵A=[] 是一个v×v阶方阵，其中=1，表示和邻接，=0表示vi和vj不相邻接（或i=j）。对于一个给定的图模型，将图中各顶点号自然排序，然后按此顺序将每个待选顶点作为染色体的一个基因，当基因值为1时，表示相应的顶点被选入该条路径中，否则反之。此染色体中的基因排列顺序即为各顶点在次条通路中出现的先后顺序，染色体的长度应等于该图中的顶点个数。 3.3 适应函数f(i) 对具有n个顶点的图，已知各顶点(,)的边长度d(,)，把到间的一条通路的路径长度定义为适应函数： 对该优化问题，就是要寻找解，使f()值最小。 选择作为交叉的双亲，是根据前代染色体的适应函数值所确定的，质量好的个体，即从起点到终点路径长度短的个体被选中的概率较大。 3.5 交叉与变异操作 将被选中的两个染色体进行交叉操作的过程是先产生一个随机数，确定交叉点，位于染色体的第几位基因上.然后在此位置进行部分基因交换。变异操作是将染色体中某位基因逆变，即由1变为0，或反之。变异的意义为在某条路径上