以基因演算法解旅行推销员问题.pptVIP

以基因演算法解旅行推銷員問題 Reference : 分散式基因演算法應用於旅行家銷售員問題 阮議聰、李捷隆 大綱 基因演算法的由來 基因演算法的步驟 以基因演算法解旅行推銷員問題 基因演算法 Genetic Algorithms（GA）的由來 理論來自達爾文進化論的觀點，物種靠不斷的演化而產生最適合生存的物種 1975年，John Holland在其著作「Adaptation in Natural and Artificial Systems」中將演化概念 導入動態演算法的領域 基因演算法的步驟 初始化與適存性評估 選擇與複製 交換（Cross-over） 突變（Mutation） 族群取代 父代與子代的交替 選擇與複製 選擇為演化過程中一個非常重要的機制，好的染色體可以被選擇並複製(reproduction)到下一子代。具有高適應值的染色體有較高的被選擇機會。 常用的選擇的方法有 輪盤法（roulette wheel selection） 競賽法（tournament selection） 菁英法（elitism）。 排序法（rank-based selection） 輪盤法（roulette wheel selection） 在父代中，依照每個染色體的適應值，可以排出其在輪盤上所佔有的面積 適應值越大者，佔有的面積越大；反之，則越小。 再拿一隻飛鏢射向圓盤，所選中的染色體就進入到交換槽中 競賽法（tournament selection） 此為較便利的一種方法 在父代中，首先隨機地選取兩個至多個染色體 比較其間具有最大適應值的染色體，即被挑選至交換槽中 如此即可一直重覆至達到所需複製的數量 菁英法（elitism） 某些好的染色體可能因交換與突變的操作而流失 而菁英法是將父代中，某特定比例最好的染色體直接複製到子代內 子代內其他的染色體則由交換槽內透過交換方式產生得來 如此可提升基因演算法的執行績效。 基因演算法的優點 可用在最佳化的問題上 結果易於應用 和類神經網路結合容易 基因演算法的缺點 有時候會有不好的收斂值 許多問題有編碼上的困難 運算成本頗高 旅行家銷售員問題(TSP)之應用 初始化 將每個城市作編號，而其順序組合則為基因演算法中的解集合 選擇與複製的方式(Selection Method) 隨機的方式選出一對染色體 競賽法（Tournament） 輪盤法（Roulette Wheel） 對每個城市之間的距離加以計算，總合成為適應值 染色體編碼 交換 採兩種不同的交換方式 (1) Partially Matched Crossover A、B為父代基因；C、D為交換後的子代 i為crossover string起始位址；j為結束位址 (2) MGKRec A、B為父代基因；C、D為交換後的子代 i為crossover string起始位址；H為crossover string的長度 交換(2)- MGKRec 突變 若隨機產生的機率小於輸入的突變率，就要進行突變 突變理由： 讓每次的進化中盡量有多一些的變化，避免太快收斂 採取兩種不同方法的突變 隨機取一個CITY與它相鄰的CITY做交換 隨機取兩個CITIES做交換 突變 結論 基因演算法方法甚多，本文採用之方法歸類如下： 3種選擇 隨機的方式選出一對染色體 競賽法（Tournament） 輪盤法（Roulette Wheel）的排序法 2種交換 Partially Matched Crossover MGKRec 2種突變 隨機取一個CITY與它相鄰的CITY做交換 隨機取兩個CITIES做交換 Thanks! * * 父代 子代 交換槽 選擇與複製 交換與突變 6 3 2 4 5 7 3 1 Ｂ 7 6 5 4 2 1 Ａ 1 3 2 6 5 4 7 1 3 2 6 5 4 7 2 7 6 5 4 3 1 Ａ 3 2 4 5 7 6 1 Ｂ 2 7 6 5 4 3 1 Ｃ 3 2 4 5 7 6 1 Ｄ COPY IF i=2 j=5 2 7 6 5 7 6 1 Ｃ 3 2 4 5 4 3 1 Ｄ 2 4 3 5 7 6 1 Ｃ 6 2 7 5 4 3 1 Ｄ 0 5 2 IF i=2 H=3 7 4 3 2 1 5 6 Ｄ 4 2 7 6 1 5 3 Ｃ 2 7 6 5 4 3 1 Ａ 3 2 4 5 7 6 1 Ｂ 0 2 5 隨機取一個CITY與它相鄰的CITY做交換 隨機取兩個CITIES做交換 2 7 6 5 4 3 1 2 7 6 5 3 4 1 2 7 6 5 4 3 1 2 7 3 5 4 6 1