决策支持系统(双语)实验报告(DSS).doc

《决策支持系统》实验报告 开课实验室：信息中心 学院 年级、专业、班 姓名 成绩 课程 名称 决策支持系统（双语） 实验项目 名 称 TSP问题的遗传算法求解 指导教师 教师评语 教师签名： 年 月 日 一、实验目的 1、掌握智能程序的构造方法； 2、掌握遗传算法的设计过程； 3、掌握概率发生器的编写过程； 4、讨论TSP问题中不同评价函数的使用结果。 二、实验原理 遗传算法（genetic algorithm, GA）是模拟生物进化的自然选择和遗传机制的一种搜索寻优算法。它利用适者生存的进化原则，通过演化逐步逼近问题的最优解。基本原理是通过随机方式将问题的每一个可能的解进行数字编码，编码后的解称作染色体（个体），随机选取N个染色体构成初始种群，通过适应度函数给每个个体一个数值评价，淘汰低适应度的个体，选择适应值高的染色体进行复制，通过遗传算子（选择、交叉、变异），产生一群新的适应环境的染色体，形成新的种群。这样一代一代不断进化，最后收敛到适应环境较好的一些个体中，求得问题的最优解。 遗传算法的执行过程中，每一代有许多不同的染色体（个体）同时存在，这些染色体中哪个保留、哪个淘汰是根据它们对环境的适应能力来决定的，适应性强的有更多的机会保留下来。适应性强弱是由适应值函数f(x)的值来判别的。每个个体代表一条可能的路径。个体n的适应值为，其中，N为种群数，为沿个体标示的城市序列所经过的路径长度，可通过以下公式计算出来：其中，表示个体第i位的城市编号。表示所有个体的路径长度的总和。适应值为非负，且取值越大越好。 遗传算法中主要的遗传算子有如下几种： （1）选择（selection）算子： 又称复制、繁殖算子。选择是从种群中选择生命力强的染色体产生种群的过程。依据每个染色体的适应值大小，适应值越大，被选中的概率就越大，其子孙在下一代产生的个数就越多。本实验采用的是比率法，比率法的原理是每个染色体产生后代的数目正比于它的适应值，并有一个约束条件，即每一代中染色体的总数应保持不变。 （2）交叉（crossover）算子 又称重组、配对算子。交叉采用部分匹配交叉策略，首先根据交叉概率，随机地从新复制的种群中选出要交叉的两个不同个体；然后，随机地选取一个交叉段，交叉段中两个个体的对应部分通过匹配换位实现交叉操作。 例如，对个体A和B： 交叉后得到： （3）变异（mutation）算子 即根据变异概率，随机地从种群中选出要变异的个体，随机地在该个体上选出两个变异位置，然后将两个位置上的城市序号进行变换。选择和交叉算子基本上完成了遗传算法地大部分搜索功能，而变异则增加了遗传算法找到接近最优解的能力。如： A=9 8 4 5 6 7 1 3 2 10 下划线部分为要变异的两个位置，变异为： A’=9 7 4 5 6 8 1 3 2 10 三、使用仪器、材料 计算机，VB系统 四、实验步骤 (1) 编写适应值函数 适应度值是根据适应度函数来计算的，如适应度函数代码如下： Public Function calfitness(ByRef c As Integer) As Single Dim temp As Single Dim i As Integer If Form1.Combo1.Text = 1 Then calfitness = 1# / lengthchro(c) Else temp = 0# For i = 1 To Pool_Size temp = temp + lengthchro(i) Next calfitness = temp - lengthchro(c) End If End Function (2）编写概率发生器 即选择算子，选择的目的是为了从当前群体中选出优良的个体，使它们有机会作为父代产生后代个体，如代码： Public Sub reproduce() ReDim temppchropool(1 To Pool_Size, 1 To City_Num) As Integer ReDim temppro(0 To Pool_Size) As Single Dim rndnum As Single Dim i, j, k As Integer temppro(0) = 0# For i = 1 To Pool_Size temppro(i) = temppro(i - 1) + calprobability(i)