遗传算法（GA）在旅行商问题（TSP）中的应用.docVIP

遗传算法（GA）在旅行商问题（TSP）中的应用 　　摘 要：旅行推销员问题（Traveling Saleman Problem，TSP）又被译为旅行商问题，简称为TSP，是最基本的路由问题，问题是在寻找从起点单一的旅客，所有给出需求点之后，最后回到最小路径成本的起源。最早的旅行商问题数学规划是由Dantzig（1959）等提出。文章通过遗传算法及三交换启发交叉（THGA），较好的解决了点数较多时最优解的查询，算法结构简明，可用于大规模点阵的最优路径问题。 　　关键词：遗传算法；最优路径；旅行商问题；C++指针 　　1 概述 　　“旅行商问题”常被称为“旅行推销员问题”，指的是需要有一个推销员拜访多个地点，如何找到时间来访问每个地点，然后返回到最短路径的起点。规则是简单的，但增加了位置的数量后，解决极为复杂。以42个地点举例，以确定是否要列出所有最好的旅游路线，然后计算总路径大，几乎难以计数。多年来全球数学家竭尽全力，试图找到一个高效的算法。在文章中，基于遗传算法寻求TSP问题的更优解决。 　　2 遗传算法介绍 　　2.1 遗传算法的机理 　　在遗传算法中，优化问题的解决方案被称为个体，它可表示为染色体或基因串。染色体通常可以表示为一个简单的字符串或数字串，这个过程称为编码处理。算法随机生成一定数量的个体。在每一代均可以被评估，并通过计算获得适应度值。之后个体和群体组成的下一代。这个过程是通过交配（crossover）和突变（mutation）来实现。根据一项新的个体适应选择，这个过程被重复：每个个体进行评价，计算两个个体的适合度进行交配，然后突变，形成第三代。周而复始，直到终止条件出现。 　　2.2 遗传算法的实施步骤 　　（1）选择一个编码；给出一个有N个染色体的出事群体pop，t：=1。 　　（2）对群体pop（t）中每一个染色体计算它的适应函数fi=fitness（popi（t））。 　　（3）若停止的规则满足，则算法会停止；否则，计算概率 　　，i=1，2，…，N， 　　并以概率的分布（9）从pop（t）随机选染色体来构成一个新种群 　　NewPOP（t+1）={popi（t）1j=1，2，…，N} 　　（4）通过交配得到一个拥有N个染色体的CrossPOP（t+1）。 　　（5）用一个较小概率p，将一个染色体一个基因发生突变，形成MutePOP（t+1）；t：=t+1，一个新的群体POP（t）=MutePOP（t）产生；返回2步。 　　3 遗传算法求解旅行商问题 　　3.1 编码 　　由于遗传算法不能直接处理空间数据的问题，所以我们要质疑的空间数据被映射到数据串型空间的遗传结构，而基因型字符串变换算法程序结构可以处理基因数据的空间。例如，计算现在北京，广东，天津，新疆四个城市，但算法不直接处理与北京，广东，天津，新疆，这些数据，所以我们给他们编号，北京（0），广东（1），天津（2），新疆（3），路径（广东→新疆→北京→天津）可以将其表示为一个字符串结构型数据（1302）。 　　（1）二进制编码化，基因代码用0、1表示。例如：基因A：01100100011 （代表一个个体的染色体） 　　（2）编码的互换（用于解决排序）。例如旅行商问题中，一串新的基因编码用来表示遍历的城市顺序，如：6783401295，表示这九个城市中，要先经过城市6，再经过城市7，依此类推。 　　（3）值的编码。在值的编码中，每以个基因就是一串新值。这些新值可以是与问题相关的任何值。 　　3.2 适应度函数和选择 　　遗传算法是好还是坏的适应度函数值来评估一个个体的，适应度函数值越大，质量越好。在本实施例中，采用的适应度比例法是遗传算法是最常见基本的选择方法，即选择每个单独的概率成正比其适应值。 　　3.3 交叉的过程 　　生物的进化是生物基因重组的中心作用，遗传算法是核心操作系统交叉，即所谓的交指结构的两个或更多亲本部分由个体重组操作代替生成一个新的个体。 　　文章采用匹配交叉（PMX）法：先随机产生两个新的交叉点，再定义这两点间区域为匹配区域，并交换两个父代匹配区域。 　　父代A项：132 | 468 | 7638 　　父代B项：983 | 567 | 3694 　　变换为： 　　TEMP A项： 132 | 567 | 7638 　　TEMP B项： 983 | 468 | 3694 　　对于 TEMP A、TEMP B中匹配区域以外出现数码的重复，要依据匹配区域内的位置进行逐一替换。匹配关系：15 36 70 　　子代A项：532 | 567 | 0668 　　子代B项：986 | 468 | 6394 　　3.4 变异 　　变异性是指特定基因编码的字符串被替换