智能信息处理实验报告..docx

智能信息处理实验报告一、实验目的掌握遗传算法的基本原理和程序流程。理解TSP问题的基本概念。能利用遗传算法求解TSP问题。二、实验环境与设备实验由1个学生独立完成，实验环境：笔记本电脑（Eclipse /Android Studio IDE）。三、预备知识1、TSP问题基本概念TSP问题即旅行商问题（Traveling Salesperson Problem）。该问题给定n个城市和两两城市之间的距离，要求确定一条经过各城市当且仅当一次的最短路线。其图论描述为：给定图G=(V, A)，其中V为顶点集，A为各顶点相互连接组成的边集，已知各顶点间的连接距离，要求确定一条长度最短的Hamilton回路，即遍历所有顶点当且仅当一次的最短回路。2、遗传算法的基本原理遗传算法是一类随机优化算法，但它不是简单的随机比较搜索，而是通过对染色体的评价和对染色体中基因的作用，有效地利用已有信息来指导搜索有希望改善优化质量的状态。标准遗传算法主要步骤可描述如下：随机产生一组初始个体构成初始种群。计算每一个体的适配值（fitness value，也称为适应度）。适应度值是对染色体(个体)进行评价的一种指标，是GA进行优化所用的主要信息，它与个体的目标值存在一种对应关系。判断算法收敛准则是否满足，若满足，则输出搜索结果；否则执行以下步骤。根据适应度值大小以一定方式执行复制操作（也称为选择操作）。按交叉概率pc执行交叉操作。按变异概率pm执行变异操作。返回步骤②。标准遗传算法流程图下图所示。NN计算各个体的适配值（适应度）算法收敛准则满足？Yrandom[0,1]Pc?复制（选择）输出搜索结果交叉Yrandom[0,1]Pm?变异N随机产生初始种群Y图2.1 标准遗传算法流程图四、实验内容1、设计算法的编码方式路径编码是描述TSP解的最常用的一种策略。所谓路径编码，即直接采用城市在路径中的位置来构造用于优化的状态。例如：设九城市TSP问题的路径为5-4-1-7-9-8-6-2-3，对应的路径编码为：(5 4 1 7 9 8 6 2 3)。这种编码形式自然直观，易于加入启发式信息，也有利于优化操作的设计。2、设计遗传算法的适应度函数对个体i，计算与路径编码相对应的距离，设为di。显然距离值di越大，适应度值应越小。因此，适应度函数可定义为：。这里我们在算法程序中个体适应度函数定义为：tempf[k] = 10.0 / fitness[k]。3、设计遗传算法的选择操作选择是用来确定交叉个体，以及被选个体将产生多少个子代个体。它是基于适应度值计算基础上进行的。在实现算法的程序中，挑选种群中适应度最高的个体。挑选函数为selectBestGh()。挑选策略为赌轮选择策略。函数实现： public void select() { int k, i, selectId; float ran1; for (k = 1; k scale; k++) { ran1 = (float) (random.nextInt(65535) % 1000 / 1000.0); // 产生方式 for (i = 0; i scale; i++) { if (ran1 = Pi[i]) { break; } } selectId = i; // System.out.println(选中 + selectId); copyGh(k, selectId); } } 在被选集中，每个个体都有一个选择概率，这个概率由种群中个体的适应度及其分布决定。若某个个体i，其适应度为fi，则其被选取的概率表示为：。函数实现： 计算种群中各个个体的累积概率，前提是已经计算出各个个体的适应度fitness[max]，作为赌轮选择策略一部分，Pi[max] void countRate() { int k; double sumFitness = 0;// 适应度总和 double[] tempf = new double[scale]; for (k = 0; k scale; k++) { tempf[k] = 10.0 / fitness[k]; sumFitness += tempf[k]; } Pi[0] = (float) (tempf[0] / sumFitness); for (k = 1; k scale; k++) { Pi[k] = (float) (tempf[k] / sumFitness + Pi[k - 1]); } } 为了选择交叉个体，需要进行多轮选择，每一轮产生一个[0, 1]均匀随机数，将该随机数作为选择指针来确定被选个体。4、设计遗传算法的交叉操作在选择操作的