解决TSP的遗传算法初始种群改进方法研究.pdf

解决TSP 的遗传算法初始种群改进方法研究1 贾海鹏，郑丽英，何天斌，徐顼 兰州交通大学电子与信息工程学院，甘肃兰州（730070 ） E-mail ：jiahaipg@ 摘 要：遗传算法受实际系统计算能力的限制，种群个体和迭代次数有限，因此初始种群 的选择成为算法成败的一个至关重要的因素，直接影响到算法的寻优效率和效果。遗传算 法初始种群的构造普遍采用均匀取种法或随机取种法，但这两种策略的搜索效率都难以保 证。针对这类算法的缺陷，本文结合图论中相关理论提出了三种基于最小生成树原理的初 始种群改进方法。 关键词：遗传算法；初始种群；最小生成树；旅行商问题；普里姆算法；奇偶点图上作业 法 中图分类号：TP301 文献标识码：A 1. 引言 旅行商问题（Traveling Salesman Problem , TSP ）是运筹学，图论，组合优化以及计算 机算法设计中的精典课题，由于它有着广泛的应用背景，所以引起了大量学者的关注。同 时TSP 问题也属于NP-Hard 题，求准确的最优解实际意义不大，因此启发式算法的研究就 越发显示出其魅力。从图论的角度分析，TSP 问题实质上是寻找一条权值最小的哈密顿 （Hamilton ）回路的问题。 遗传算法（Genetic Algorithm, GA ）是一种基于生物自然选择和基因遗传原理的随机搜 索启发式算法[1]。算法自提出以来对它的理论和应用的研究就从未停止过，出现了相当多 别具特色的改进形式，但是这些改进几乎全都集中在编码方式和遗传算子操作上，对初始 种群的研究目前非常匮乏。遗传算法受实际系统计算能力的限制，种群个体和迭代次数有 限，因此初始种群的选择就成为算法中一个至关重要的因素，直接影响到算法的寻优效率 和效果[2]。 2. 当前遗传算法初始种群的构造算法 初始种群（第一代种群）的获取一般采用均匀取种法或随机取种法，这是两种现阶段 比 较普遍采用的算法，但是这两种算法构造出的初始种群具有很大的随机性，种群的平均适 应度较低。 2.1 均匀取种法 首先它将搜索域的解空间分成n 个大小相等的子空间（n 为种群的规模），然后等概率 的在每个子空间中选取一个种子，把选出的这n 个种子合并成第一代种群。 算法的搜索过程是：先经过前M 次遗传迭代，算法并行搜索到各个局部最大值附近（如 图1 中的A,B,C ），再经过N 次迭代，收敛到全局极大值( 图1 中的B 点) 。 2.2 随机取种法 在搜索域的解空间中每个种子被选择的机会是相等的。随机取种算法实际操作首先是 1本课题得到教育部春晖计划（Z2004-1-62018 ）和甘肃省自然科学基金项目（3ZS042-B25-038 ）的资助。 -1- 选择一个种子，然后再对该种子在解空间内进行基因位重组。选出n 个种子后，就形成了 第一代种群。算法的搜索过程与均匀取种法相似。 图1 搜索解空间 Fig1. Search Solution Space 3. 基于TSP 问题的初始种群改进算法 初始种群中一个染色体的有效基因概率越大，它的适应度就越高。如果采用有效的初 始化方法，使初始种群本身就能集中到最优解邻近区域，显然要收敛到同样的结果，采用 有效初始化方法的GA 所需的迭代次数比随机或均匀取种法要少的多，因而搜索速度也就 提高了。 一个完全图的最小生成树,是所有经过n 个结点生成树中代价最小的一棵树。TSP 也是 求经过n 个结点最小代价的问题，因此两者之间有许多的相似之处[3]。所以TSP 的求解, 可以通过对最小生成树部分有效信息的改造来完成。下面我们分别对对称和非对称的TSP 问题初始种群进行重新构造。 3.1 对称TSP 问题 对称TSP 是指一个旅行商从驻地出发去某些城镇