粒子群算法解决TSP问题.doc

河南理工大学 计算机科学与技术学院 课程设计报告 2014— 2015学年第一学期 课程名称 Java语言程序设计 设计题目 利用粒子群算法解决TSP问题 姓 名 朱超琦 学 号 3613090102 专业班级 计科合13 指导教师 刘 志 中 2015年 1 月 2 日 目录 一．课程设计内容 2 (一)课程设计题目 2 (二)课程设计目的 2 (三)课程设计要求 2 二．算法相关知识 2 (一) 粒子群算法简介 2 (二) 人工生命简介 3 (三) 粒子群算法的流程图及伪代码： 4 三.算法的JAVA实现 5 四. 课程设计的总结体会 14 五．参考文献 14  一．课程设计内容 (一)课程设计题目 应用粒子群算法(Particle Swarm Optimization) 求解 旅行商问题（TSP）； 旅行商问题： 即TSP问题（Travelling Salesman Problem）又译为旅行推销员问题、货郎担问题，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 (二)课程设计目的 1.训练应用算法求解实际问题； 2训练应用Java语言实现具体问题的求解算法； 3.到达理解java语言的应用特点以及熟练应用java语言的目标。 (三)课程设计要求 1.读懂算法，理解算法计算过程中每一步操作是如何实现的； 2.设计函数优化的编码格式； 3.采用java 语言编程实现算法的求解过程； 4.掌握粒子群算法的基本原理 ,了解在JAVA 环境中实现粒子群算法的过程。 二．算法相关知识 (一) 粒子群算法简介 粒子群算法简称PSO，它的基本思想是模拟鸟群的捕食行为。设想这样一个场景：一群鸟在随机搜索食物。在这个区域里只有一块食物。所有的鸟都不知道食物在那里。但是他们知道当前的位置离食物还有多远。那么找到食物的最优策略是什么呢。最简单有效的就是搜寻目前离食物最近的鸟的周围区域。 PSO从这种模型中得到启示并用于解决优化问题。PSO中，每个优化问题的解都是搜索空间中的一只鸟。我们称之为“粒子”。所有的粒子都有一个由被优化的函数决定的适应值(fitness value)，每个粒子还有一个速度决定他们飞翔的方向和距离。然后粒子们就追随当前的最优粒子在解空间中搜索。 PSO 初始化为一群随机粒子(随机解)。然后通过迭代找到最优解。在每一次迭代中，粒子通过跟踪两个极值来更新自己。第一个就是粒子本身所找到的最优解，这个解叫做个体极值pBest。另一个极值是整个种群目前找到的最优解，这个极值是全局极值gBest。另外也可以不用整个种群而只是用其中一部分作为粒子的邻居，那么在所有邻居中的极值就是局部极值。 粒子公式在找到这两个最优值时，粒子根据如下的公式来更新自己的速度和新的位置： present[i] = present[i] + v[i]? 其中v[i]代表第i个粒子的速度，w代表惯性权值,c1和c2表示学习参数，rand()表示在0-1之间的随机数,pbest[i]代表第i个粒子搜索到的最优值,gbest代表整个集群搜索到的最优值,present[i]代表第i个粒子的当前位置。 (二) 人工生命简介 人工生命是来研究具有某些生命基本特征的人工系统。 两方面内容 1. 研究如何利用计算技术研究生物现象 2. 研究如何利用生物技术研究计算问题 我们现在关注的是第二部分的内容。 现在已经有很多源于生物现象的计算技巧. 例如,人工神经网络是简化的大脑模型。遗传算法是模拟基因进化过程的. 社会系统。 现在我们讨论另一种生物系统- 社会系统。更确切的是, 在由简单个体组成的群落与环境以及个体之间的互动行为。 也可称做群智能(swarm intelligence). 这些模拟系统利用局部信息从而可能产生不可预测的群体行为 例如floys 和birds 他们都用来模拟鱼群和鸟群的运动规律, 主要用于计算机视觉和计算机辅助设计。 在计算智能(computational intelligence)领域有两种基于群智能的算法.蚁群算法(ant colony optimization)和PSO粒子群算法(particle swarm optimization). 前者是对蚂蚁群落食物采集过程的模拟。已经成功运用在很多离散优化问题上。粒子群优化算法(PSO) 也是起源对简单社会系统的模拟。 最初设想是模拟鸟群觅食的过程. 但后来发现PSO是一种很好的优化工具。 (三) 粒子群算