现代优化计算方法研究报告——遗传算法解决TSP问题讲述.doc

现代优化计算方法研究报告 ——遗传算法解决TSP问题 授课老师： 专业： 学号： 姓名： 摘要 旅行商问题（TSP）是典型的NP完全问题，遗传算法是解决NP完全问题的一种常用算法。本文首先简要介绍了TSP问题和遗传算法，然后用遗传算法对TSP问题进行了求解，并在MATLAB上进行了编程实现。最后探讨了遗传算法解决TSP问题的一些特点。 关键词：TSP问题；遗传算法；MATLAB目录 摘要 1 目录 2 1 旅行商问题 3 1.1 旅行商问题简介 3 1.2 TSP的数学描述 3 2 遗传算法 3 2.1 遗传算法简介 3 2.2 遗传算法的步骤 4 3 遗传算法求解TSP问题 4 3.1 初始群体和适应度函数 5 3.2 城市的位置和城市间的距离 5 3.3 交叉和变异 5 3.4 种群的更新和迭代终止条件 5 4 MATLAB仿真以及运行结果 6 5 总结 6 附件——MATLAB程序代码 7 1 旅行商问题 1.1 旅行商问题简介 旅行商问题（traveling salesman problem,TSP）是一个有名的、典型的、易于描述却难以求解的组合优化问题。TSP已被证明具有NPC计算复杂性，并且许多实际问题都可以转化为TSP。它是一个具有广泛的实用背景和重要的理论价值的组合优化难题。 1.2 TSP的数学描述 一个商人欲到个城市推销商品，每两个城市和之间的距离为，如何选择一条道路使得商人每个城市走一遍后回到起点且所走路径最短？ TSP可以细分为对称和非对称距离两大类问题。当时，称为对称距离TSP，否则为飞对称距离TSP。 对于一般的TSP，一种数学模型描述为 （1-1） （1-2） （1-3） （1-4） （1-5） 以上是基于图论的数学模型，其中式（1-5）中的决策变量表示商人行走的路线包含从城市到城市的路径，表示商人没有选择走这条路。的约束可以减少变量的个数，使得共有个决策变量。目标（1-1）要求距离之和最小。式（1-2）要求商人从城市恰好出来一次，式（1-3）要求商人恰好走入城市一次。式（1-2）和式（1-3）合起来表示每个城市恰好经过一次。仅有约束（1-2）和（1-3）无法避免子回路的产生，因此，式（1-4）约束旅行商在任何一个城市真子集中不形成回路，其中表示集合中元素个数。 2 遗传算法 2.1 遗传算法简介 遗传算法（genetic algorithms,GA）是由Holland教授在20世纪70年代初期首先提出来的。1975年，Holland出版了第一本比较系统论述遗传算法的专著《Adaptation in Natural and Artificial Systems》。遗传算法是一类借鉴生物界自然选择和自然遗传机制的随机化搜索算法。它起源于达尔文的进化论,，是模拟达尔文的遗传选择和自然淘汰的生物进化过程的计算模型。其主要特点是群体搜索策略和群体中个体之间的信息交换, 搜索不以梯度信息为基础。它尤其适用于处理传统搜索方法难于解决的复杂和非线性问题, 可广泛应用于组合优化、机器学习、自适应控制、规划设计和人工生命等领域。作为一种全局优化搜索算法, 遗传算法以其简单通用、鲁棒性强、适于并行处理以及应用范围广等特点, 使其成为21世纪智能计算核心技术之一。进入80年代, 遗传算法迎来了兴盛发展时期, 无论是理论研究还是应用研究都成了十分热门的话题。 2.2 遗传算法的步骤 遗传算法主要借鉴了生物进化的一些特征，它的一些主要生物进化特征体现在下面几个方面： 进化发生在解的编码上。这些编码按生物学的术语称为染色体。由于进行了编码，优化问题的一切性质都通过编码来研究。编码和解码是遗传算法的一个主题。 自然选择规律据顶哪些染色体产生超过平均数的后代。遗传算法中，通过优化问题的目标而人为地构造适应函数以达到好的染色体产生超过平均数的后代。 当染色体结合时，双亲的遗传基因的结合使得子女保持父母的特征。 当染色体结合后，随机的变异会造成子代与父代的不同。 最优化问题的求解过程是从众多的解中选出最优的解。生物进化的适者生存规律使得具有生存能力的染色体以最大的可能性生存。这样的共同点使得遗传算法能在优化问题中应用。遗传算法的步骤简化如下： STEP1 选择问题的一个编码；给出一个有N个染色体的 初始种群POP（1），。 STEP2 对种群POP(t)中的每个染色体计