人工智能课程设计汇报.pptxVIP

基于遗传算法的TSP问题产生式系统的应用by 计算机科学与技术1401 张凯歌 基于遗传算法的TSP问题TSP问题，即旅行商问题。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。遗传算法求解TSP的基本步骤（1）种群初始化。个体编码方法有：二进制编码和实数编码。每一条染色体就是一种编码，在解决TSP问题过程中个体编码方法为实数编码。对于TSP问题，实数编码为1-n的实数的随机排列。初始化的参数有城市个数，种群规模、进化次数、交叉概率、变异概率遗传算法求解TSP的基本步骤（2） 适应度函数。在TSP问题中，任意两个城市之间的距离D(i,j)已知，每个染色体（即n个城市的随机排列）可计算出总距离。因此可将一个随机全排列的总距离的倒数作为适应度函数，即距离越短，适应度函数越好，满足TSP要求。遗传算法求解TSP的基本步骤（3）选择操作。采用累计适应度最高的选择策略，即适应度越好的个体被选择的概率越大，同时在选择中保存适应度最高的个体。遗传算法求解TSP的基本步骤（4）交叉操作。相对于个体，随机选择两个个体，随机生成一个交叉位点。交换对应位置两侧的基因片段，同时确保每个个体依然是1-n的随机排列。遗传算法求解TSP的基本步骤（5）变异操作。随机选取个体，随机选取个体的两个基因，进行交换以实现变异操作。流程图核心代码#define num_C 10 //城市个数#define N 10 //群体规模#define pc 0.9 //交叉概率#define pm 0.1 //变异概率#define genmax 500 //最大遗传代数struct gene //染色体结构{ int path[num_C]; //路径 double cost; //个体代价值 double fitness; //个体适应度 double probability; //适应度 double accumulation; //幸存概率};核心代码void Select(struct gene group[N]) //选择{ int i,j; int t=1; double k; Cprobability(group); Caccumulation(group); for(i=0;iN-1;i++) { k=Randominteger(0,1); for(j=0;jN-1;j++) { if(kgroup[j].accumulation) { Copy_gene(group[j],group[t]); t++; break; } } }}void Cross(struct gene*p,struct gene*q) //交叉{ int i,j,cross_point; int son1[num_C],son2[num_C]; cross_point=Randominteger1(1,num_C-1); //随机生成交叉位点 for(i=0;inum_C;i++) { son1[i]=-1; son2[i]=-1; } //子代1前半部分直接从父代p复制 for(i=0;icross_point;i++) son1[i]=p-path[i]; //子代后半部分来自父代q for(i=cross_point;inum_C;i++) { for(j=0;jnum_C;j++) { if(Search_son(son1,q-path[j])==1) { son1[i]=q-path[j]; break; }核心代码void Varation(struct gene group[N])//变异{ int i,j,k,temp,c; struct gene *p; double flag; for(c=1;cN;c++) { flag=Randominteger(0,1); if(flagpm) { i=Randominteger1(1,N-1);//确定发生变异的个体 j=Randominteger1(0,num_C-1);//确定发生变异的位 k=Randominteger1(0,num_C-1);//确定发生变异的位 p=group[i];//变异 temp=p-path[j]; p-path[j]=p-path[k]; p-path[k]=temp; Calculate_cost(p);//重新计算变异后路径的代价 } }}运行结果遗传算法属于启发式算法,最终只能获得最优解的一个近似解。每次的运行