实验：遗传算法在解决旅行商问题的应用创新.docVIP

实验报告：用遗传算法解决旅行商问题的简单实现 实验目的：编写程序实现用遗传算法解决旅行商问题，研究遗传算法的工作原理和收敛性质。 实验者： 问题描述：TSP是一个具有广泛应用背景和重要理论价值的组合优化难题，TSP问题可以简单的描述为：已知N个城市之间的相互距离．现有一个旅行商必须遍历这N个城市，并且每个城市只能访一次，最后必须返回出发城市。如何安排他对这些城市的访问次序，可使旅行路线的总长度最短？ 本次实验的目标问题中国大陆31个大城市的公路旅行商问题，数据来源是《中国大城市公路里程表》（后附）。 需求分析：TSP已经被证明是一个NP—Hard问题，即找不到一种算法能在多项式时间内求得问题的最优解。利用遗传算法，在一定时间内求得近似最优解的可能性比较大。实验目标是： 1）设计用遗传算法解决TSP问题的程序； 2）求出该TSP问题的（近似）最短路程； 3）求得相应的城市遍历序列； 4）检查算法收敛性，求解决该问题的（近似）最优遗传参数。 算法分析： 算法基本流程 编码策略与初始群体设定 TSP的一般编码策略主要有二进制表示、次序表示、路径表示、矩阵表示和边表示等。而路径编码是最直观的方式，以城市序号作为遗传基因。在本实验中，我们用一个N维向量来表示一个个体，N是城市总数，元素表示城市遍历顺序，以最后一个到达的城市为结束。则群体用一个N * POP的矩阵表示，POP为群体中的人口（个体数）。初始群体在空间中自动生成。 适应度函数及结束条件 适应度函数采用题目的目标函数——路径的总路程（包括回到出发点）。适应度越低，个体越优秀。由于暂时无法先验估计收敛性和目标结果，所以以一个参数，最大遗传代数MAXGEN作为程序结束控制。 遗传算子设计 遗传算子的设计方法主要有两大类：自然算法和贪心算法。自然算法是以大自然的进化规律为依据，大体采用“优胜劣汰”的机制来进行遗传；贪心算法则是以迅速收敛为目标，对个体进行更严格的选择和遗传处理。 本实验中，为了更好地研究遗传算法的内部原理和收敛性质，我们偏向采用自然算法设计算子。以下是各算子的设计： 选择算子 在遗传个体的选择上，我们先人工保留最优种子，再采用轮盘赌法选择保留一部分个体，用轮盘赌法的理由是在“择优录取”的原则上增加选择的随机性。在轮盘赌过程中，如果按适应度来划分，将导致适应度高的劣质个体被选择的概率更大，于是我们设计了一个变换，用最坏适应度减去该个体的适应度，再进行轮盘赌选择。 另外，为了保持群体的“生命力”，我们在选择的同时又引入随机的新个体，与保留的个体进行“杂交”，产生下一代。 交叉算子 我们采用的是Davis等提出顺序交叉、双亲双子遗传的算法。随机选择两个交叉点A、B（0ABN），两个父序列中交叉点之间的部分交叉复制给两个子代，其余部分则按顺序不重复填充到对应子代序列中。遗传中进行交叉操作的概率为参数PXOVER。 变异算子 个体发生变异的概率为参数PMUTATION。当一个个体发生变异时，随机选择序列中一个基因与其相邻基因交换。 其他部分 数据输入为直接读取城市距离矩阵文本，本例中为ctsp.txt； 数据输出格式为：每代的最佳适应度，平均适应度和标准差，最终结果序列和相关参数。文件名galog.txt。 程序结构概要 #define CITYSIZE 31 /* 城市规模*/ #define POPSIZE 100 /* 种群大小*/ #define MAXGENS 20000 /* 最大代数*/ #define PXOVER 0.1 /* 交叉概率*/ #define PMUTATION 0.05 /* 突变概率*/ double citys[CITYSIZE][CITYSIZE]; /* 城市数据*/ void initialize(void);　　　　　/*　初始化　*/ void randpath(genotype gt); /*　产生随机路径　*/ void evaluate(void); /*　计算适应度　*/ void keep_the_best(void); /*　保留最优个体　*/ void elitist(void); /*　保留最优个体　*/ void swap(int , int ); /*　交换　*/ void select(void); /*　选择　*/ void crossover(void); /*　交叉　*/ void Xover(int,int); /*　顺序交叉，由crossover()函数调用　*/ void mutate(void); /*　突变　*/ void report(void);