基于遗传算法的组合优化问题研究-开题报告.ppt

目录 ·简单介绍遗传算法 ·简单介绍TSP问题 ·课题设计的目的 ·设计的重点难点 ·解决的方案 ·预期达到的效果 旅行商问题 (TSP) 本课题设计的目的 通过模仿生物遗传学和自然选择的机理，借助生物遗传学的观点，通过编码，选择，交叉，变异等算子构造一类优化搜索算法（遗传算法），在给定一组N个城市和他们两两之间的直达距离的前提下，在合理的时间内，找出一个闭合的旅程，使得每个城市刚好经过一次且总的旅行距离最短（TSP问题）。并且算法要达到要求的精度，同时对选择的算法做出适当的分析和评估。 本设计的重点和难点 1、问题的规模：城市数是自由设定的，城市数越多，处理的数据量会相当庞大。（一个对称的n城市TSP问题的可能解个数为n！/2） 2、对于模拟生物进化，如何交配和变异。 3、很难保证染色体的完整结构性。从父染色体开始一直到生成一个合法的旅程而得到的子个体的整个过程中，染色体的结构总是会发生变化的。 采用的解决方案 1、大数据量的解决：对城市进行编号，每个城市分别用1到n之间不同的整数表示，n个整数的一个排列就代表了旅行商的一个可能解。（即整数编码问题） 2、①.交配规则：a.常规交配法 b.基于次序的交配法 c.基于位置的交配法 d.基于部分映射的交配法 ②.变异规则:a.基于位置的变异 b.基于次序的变异 c.打乱变异 采用的解决方案 3、采用一种改进的遗传算法；通过最先搜索附近最邻近的结点。解除传统GA中“搜索”能力和对问题解空间覆盖能力之间的相互制约特性。从而既能搜索广阔的解空间，又有很好的“搜索”性能。 预期达到的效果 我想采用Vc++6.0软件开发工具，通过用户输入城市数和城市之间两两的距离，然后计算出TSP问题的正确路径，并且算法要达到要求的精度，同时对选择的算法做出适当的分析和评估。 * 遗传算法组合优化求TSP问题 传统的优化方法（局部优化） 共轭梯度法、拟牛顿法、单纯形方法 全局优化方法 漫步法（Random Walk）、模拟退火法、GA 关于优化问题 比较： 传统的优化方法 ? 1）依赖于初始条件。 2）与求解空间有紧密关系，促使较快地收敛到局部 解，但同时对解域有约束，如可微或连续。利用这些约束，收敛快。 3）有些方法，如Davison-Fletcher-Powell直接依赖于至少一阶导数； 共轭梯度法隐含地依赖于梯度。 全局优化方法 1）不依赖于初始条件； 2）不与求解空间有紧密关系，对解域，无可微或连续的要求。求 解稳健，但收敛速度慢。能获得全局最优。适合于求解空间不知的情况 ⑴ 选择运算 ⑵ 交换操作 ⑶ 变异 遗传算法的基本运算 遗传算法基本原理 模拟自然界优胜劣汰的进化现象，把搜索空间映射为遗传 空间，把可能的解编码成一个向量——染色体，向量的每个 元素称为基因。 通过不断计算各染色体的适应值，选择最好的染色体，获 得最优解。 GA的流程 *