数学与统计学院..docx

数学与统计学院智能计算及应用课程设计设计题目：智能计算解决旅行商问题摘要：旅行商社问题是研究最为广泛地组合优化问题，在现实生活中，也有着广泛地应用。遗传算法是一种有效的最优化问题的方法。遗传算法是求解NP完全问题的一种常用的方法，它在解决排列组合问题方面占有很重要的地位。蚁群算法是搜索良好的一种启发式搜索方法。模拟退火是一种基于概率的算法，因此，本文将采用这三种算法来解决旅行商社问题，并得出结果进行分析。关键词：旅行商社问题 遗传算法 蚁群算法 模拟退火背景阐述：1.遗传算法遗传算法是模拟/view/6739.htm \t /_blank达尔文/view/183146.htm \t /_blank生物进化论的自然选择和/subview/8907htm \t /_blank遗传学机理的生物进化过程的计算/view/96500.htm \t /_blank模型，是一种通过模拟自然进化过程搜索/view/1009692.htm \t /_blank最优解的方法。遗传算法是从代表问题可能潜在的解集的一个/view/43530.htm \t /_blank种群开始的，而一个种群则由经过/view/8563.htm \t /_blank基因编码的一定数目的个体组成。每个个体实际上是/view/6633.htm \t /_blank染色体带有特征的实体。染色体作为/view/232169.htm \t /_blank遗传物质的主要载体，即多个基因的/view/15216.htm \t /_blank集合，其内部表现（即/view/142644.htm \t /_blank基因型）是某种基因组合，它决定了个体的形状的外部表现，如黑头发的特征是由染色体中控制这一特征的某种基因组合决定的。因此，在一开始需要实现从/view/281787.htm \t /_blank表现型到基因型的/view/21249.htm \t /_blank映射即/view/237708.htm \t /_blank编码工作。由于仿照基因编码的工作很复杂，我们往往进行简化，如/view/18536.htm \t /_blank二进制编码，初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代演化产生出越来越好的近似解，在每一代，根据问题域中个体的/view/2167684.htm \t /_blank适应度大小选择个体，并借助于自然遗传学的遗传/view/53313.htm \t /_blank算子进行组合交叉和变异，产生出代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过/view/657399.htm \t /_blank解码，可以作为问题近似最优解。模拟退火模拟退火算法最早的思想是由N. Metropolis[1] 等人于1953年提出。1983 年,S. Kirkpatrick 等成功地将退火思想引入到组合优化领域。它是基于Monte-Carlo迭代求解策略的一种随机寻优算法，其出发点是基于物理中固体物质的退火过程与一般组合优化问题之间的相似性。模拟退火算法从某一较高初温出发，伴随温度参数的不断下降,结合/view/45320.htm \t /_blank概率突跳特性在/view/2027209.htm \t /_blank解空间中随机寻找/view/633433.htm \t /_blank目标函数的全局最优解，即在局部最优解能概率性地跳出并最终趋于全局最优。模拟退火算法是一种通用的优化算法，理论上算法具有概率的全局优化性能,目前已在工程中得到了广泛应用，诸如VLSI、生产调度、控制工程、机器学习、神经网络、信号处理等领域。模拟退火算法是通过赋予搜索过程一种时变且最终趋于零的概率突跳性，从而可有效避免陷入局部极小并最终趋于全局最优的串行结构的优化算法。蚁群算法蚁群算法又称/view/535300.htm \t /_blank蚂蚁算法，是一种用来在图中寻找优化路径的机率型算法。它由Marco Dorigo于1992年在他的博士论文中提出，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。蚁群算法是一种模拟/view/1798674.htm \t /_blank进化算法，初步的研究表明该算法具有许多优良的性质。针对/view/104644.htm \t /_blankPID控制器参数优化设计问题，将蚁群算法设计的结果与遗传算法设计的结果进行了比较，数值仿真结果表明，蚁群算法具有一种新的模拟进化优化方法的有效性和应用价值。各个蚂蚁在没有事先告诉他们食物在什么地方的前提下开始寻找食物。当一只找到食物以后，它会向/view/3378647.htm \t /_blank环境释放一种挥发性分泌物phe