人工智能TSP旅行商问题实验报告精要.doc

人工智能实验三实验报告 班级： 姓名： 学号： 一 实验题目 TSP问题的遗传算法实现 旅行商问题（Traveling Salesman Problem, TSP），又译为旅行推销员问题、货担郎问题，简称为TSP问题，是最基本的路线问题。假设有n个可直达的城市，一销售商从其中的某一城市出发，不重复地走完其余n-1个城市并回到原出发点，在所有可能的路径中求出路径长度最短的一条。 应用遗传算法求解30/10个节点的TSP（旅行商问题）问题，求问题的最优解。 二 实验目的 1 熟悉和掌握遗传算法的基本概念和基本思想； 2 理解和掌握遗传算法的各个操作算子，能够用选定的编程语言设计简单的遗传优化系统； 3 通过实验培养学生利用遗传算法进行问题求解的基本技能。 三 实验要求 1 掌握遗传算法的基本原理、各个遗传操作和算法步骤； 2 要求求出问题最优解，若得不出最优解，请分析原因； 3 对实验中的几个算法控制参数进行仔细定义，并能通过实验选择参数的最佳值； 4 要求界面显示每次迭代求出的局部最优解和最终求出的全局最优解。 四 数据结构 请说明染色体个体和群体的定义方法。 struct RanSeTi //染色体的个体的定义方法 { int city[cities]; //基因的排列（即城市的顺序，路径的组织） int adapt; //记录适应度 double p; //记录其在种群中的幸存概率 } RanSeTi [num], RanSeTi temp[num]; //用数组来存储染色体群体方法 五 实验算法 1 说明算法中对染色体的编码方法，适应度函数定义方法 1) 染色体的编码方法: 即为染色体个体定义过程中生成的基因排列（路径中城市的顺序） struct RanSeTi //染色体的个体的定义方法 { int city[cities]; //基因的排列（即城市的顺序，路径的组织） int adapt; //记录适应度 double p; //记录其在种群中的幸存概率 } RanSeTi [num], RanSeTi temp[num]; //用数组来存储染色体群体方法 2) 适应度函数定义方法： 评价函数即适应度函数，在遗传算法中用来计算一个染色体优劣的函数。在进行遗传操作和种群进化的时候，每个染色体的适应值是决定它是否进入下一轮种群进化的关键因素。适应值高的函数被选作新一代个体的可能性就会大。 TSP问题中适应度函数常取路径长度的倒数（或倒数的相关函数），如： 其中，N是个调节参数，根据实验情况进行确定。 for(i=0;inum;i++) { sumdistance=0; for(j=1;jcities;j++) { n1= RanSeTi [i].city[j-1]; n2= RanSeTi [i].city[j]; sumdistance+=distance[n1][n2]; } RanSeTi [i].adapt=sumdistance; //每条染色体的路径总和 biggestsum+=sumdistance; //种群的总路径 } 2 采用的选择、交叉、变异操作算子的具体操作 1）选择操作 我们定义f(xi)为第i（i=1,2,3.....popsize）个染色体的适应度，则每个个体被选中的概率 是： 本题中具体使用的是期望值方法 //初始化梯度概率 for(i=0;inum;i++) { gradient[i]=0.0; xuanze[i]=0.0; } gradient[0]=group[0].p; for(i=1;inum;i++) gradient[i]=gradient[i-1]+group[i].p; srand((unsigned)time(NULL)); //随机产生染色体的存活概率 for(i=0;inum;i++) { xuanze[i]=(rand()%100); xuanze[i]/=100; } //选择能生存的染色体 for(i=0;inum;i++) { for(j=0;jnum;j++) { if(xuanze[i]gradient[j]) { xuan[i]=j; //第i个位置存放第j个染色体 break; } } } //拷贝种群 for(i=0;inum;i++) { grouptemp[i].adapt=gro