081852016茹斐斐 遗传算法解决tsp问题.ppt

遗传算法解决TSP问题 作　　者 茹斐斐 系（院） 物理与电气工程学院 专　　业 电气工程及其自动化 年　　级 2008级专升本 学　 号 081852016 指导教师 郭 季 1 绪论 本课题的研究内容 用遗传算法解决经典的旅行商问题（TSP）。 遗传算法（Genetic Algorithm）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法。 TSP问题：已知n个城市之间的相互距离，现有一个推销员必须访遍这n个城市，并且每个城市只能访问一次，最后又必须返回出发 城市。 TSP问题陈述起来很简单，但却很难解决。除了计算每条可能的路径长度并选择最短路径外，没有其它已知的找最优路径的方法。因为遗传算法可以求解具有相当难度的组合优化问题，所以本文主要是应用遗传算法求解TSP问题。 2 遗传算法基本流程图设计 3 设计原理及步骤 （1）出示地图建立，这里地图采用的是二维设置,本题目设置的城市数为30。 （2）初始化种群：SGA采用随机方法生成若干个个体的集合，该集合称为初始种群。初始种群中个体的数量称为种群规模。初始设置交叉变异率不能太大，否则会影响搜索方向，甚至可能出现盲目搜索，计算时间增大，失去了该算法的优势。 （3）选择过程：选择操作的任务就是按某种方法从父代群体中选取一些个体，遗传到下一代群体。 （4）交叉：就是互换两个染色体某些位上的基因。 （5）变异 ：就是改变染色体某个(些)位上的基因。 4 测试结果 4.1 结果演示窗口 （1）遗传算法解决TSP问题的演示窗口如图2、图3、图4、图5、图6所示（城市个数为30）。 4.2 测试结果分析 本题目设计的城市个数是30，计算步数设定的是1000步。从以上图示可以看出：随着计算步数的增加，路径是在不断的变化的，而且是越来越清晰。但是从图6可以看出，计算到1000步的路径图还是有一小部分有交叉，没有达到理想的结果。造成此结果的原因是因为设置的计算步数不够，我们可以将步数稍微增加，即可得出更好的结果。但是如果步数增多，计算时间会增加。因此要设置合适的步数才可以找到较好的次优解。 如可改为1500.即可得到的路径图和趋势图分别如图7和图8所示： * 图1: 系统运行程序流程图 图2：系统计算到第39步，最短距离为632.2984的路径图。 图3：系统计算到第408步，最短距离为441.8363的路径图。 图4：系统计算到第680步，最短距离为438.9796的路径图。 图5：系统计算到第1000步，最短距离为432.2185的路径图。 图6：系统计算到1000步的平均解和最优解的趋势图。 图7：系统计算到第1500步，最短距离为446.5783的路径图 图8：计算到1500步得到的最优解和平均解的趋势图 *