遗传算法和tsp问题概述-read.docVIP

目录 第一章 导论 1 1.1遗传算法概述 1 1.1.1遗传算法的基本概念 1 1.1.2 遗传算法的产生和发展 2 1.1.3 遗传算法的基本思想和工作流程 3 1.1.4 遗传算法的特点及其应用情况 4 1.2旅行推销员问题(TSP)概述 4 第二章 遗传算法在TSP问题中的应用设计 6 2.1编码方法 6 2.2适应度函数 8 2.3选择操作 9 2.4交叉操作 12 2.5 变异操作 17 第三章 方案的设计与实现 19 3.1 采用的设计方案 19 3.2 重要变量说明 19 3.3 算法总流程 20 3.4 各阶段的具体方案设计及实现 23 3.4.1 编码及生成初始种群 23 3.4.2 适应度的计算 29 3.4.3 选择操作 29 3.4.4 交叉操作 32 3.4.5 变异操作 36 3.4.6 算法终止条件 37 3.5 可视化界面的设计 37 3.6 遇到的问题及解决方法 40 第四章 实验结果的分析与探讨 42 4.1 轮盘赌选择法及轮盘赌-期望值结合法的比较 42 4.2 对均匀设计表所占比重最佳范围的探讨 43 4.3 参数的组合优化 45 4.4 小边经验公式的验证 48 第五章 结束语 50 5.1 结论与展望 50 5.2 问题及改进 50 致谢 51 参考文献 52 附录（外文翻译） 53第一章 导论 1.1遗传算法概述 遗传算法作为一种有效的强大的随机搜索方法，有着重要的理论和实际价值。本节就是对遗传算法作一概述，先从遗传算法中的基本概念讲起，接着简单介绍了它的产生与发展、基本思想、特点及其应用情况，为后文介绍TSP问题在遗传算法中的应用打下基础。 1.1.1遗传算法的基本概念 为了更好地理解遗传算法，先给出本文出现的几个有关遗传算法的基本概念和术语[1,2]： 编码(coding)：DNA中遗传信息在一个长链上按一定的模式排列，也即进行了遗传编码。遗传编码可以看作从表现型到遗传子型的映射。 染色体(chromosome)：是遗传物质的主要载体，有多个遗传因子——基因组成。 个体(individual)：指染色体带有特征的实体，GA所处理的基本对象、结构。 种群(population)：染色体带有特征的个体的集合称为种群,也称为群体。该集合内个体数称为种群的大小。 适应度(fitness)：某一个体对于环境的适应程度，或者在环境压力下的生存能力，取决于遗传特性。适应度大的物种将获得更多的繁殖机会，而适应度小的物种，其繁殖机会就会相对较少，甚至逐渐灭绝。 选择(selection)：指决定以一定的概率从种群中选择若干个体的操作。一般而言，选择的过程是一种基于适应度的优胜劣汰的过程。 交叉(crossover)：在两个染色体的某一相同位置处DNA被切断，其前后两串分别交叉组合形成两个新的染色体。这个过程又称基因重组recombination，俗称“杂交”。 变异(mutation)：在细胞进行复制时可能以很小的概率产生某些复制差错，从而使DNA发生某种变异，产生出新的染色体。 遗传算法（Genetic Algorithms，GA）是美国Michigan大学的John Holland在20世纪60年代末期到70年代初期受生物进化论的启发而提出的。GA的提出一定程度上解决了传统的基于符号处理机制的人工智能方法在知识表示、信息处理和解决组合爆炸等方面所遇到的困难，其自组织、自适应和种群进化能力使其适合于大规模复杂优化问题。GA是模拟生物界的遗传和进化过程而建立起来的一种高度并行的全局性概率搜索算法，体现着“优胜劣汰、适者生存”的竞争机制。目前，随着计算机技术的发展，GA愈来愈得到人们的重视，并在函数和组合优化、自动控制、智能控制、生产调度问题以及人工生命等领域得到了成功而广泛的应用，使之成为了21世纪关键技术之一！ 1.1.2 遗传算法的产生和发展 早在20世纪50年代，自然界生物进化的理论已被广泛接受。作为生物学家的Fraser，试图通过计算的方法来模拟生物界的进化过程，这便是遗传算法的最早雏形。60年代初期，柏林工业大学的I.Rechenberg和H.P.Schwefel等，引入了另两种基于自然演化原理的算法：进化规划(evolutionary programming, EP)和进化策略(evolutionary strategies, ES)。20世纪60年代中期，John Holland在A.S.Fraser和H.J.Bremermann等人工作的基础上提出了位串编码技术。随后，Holland将该算法用于自然和人工系统的自适应行为的研究中，并于1975年出版了其开创性著作“Adaptation in Natural and Artificial Systems”。以后，Holla