遗传算法求解TSP问题.docVIP

实验六 遗传算法求解TSP问题 一、实验目的 熟悉和掌握遗传算法的原理、流程和编码策略，并利用遗传求解函数优化问题，理解求解TSP问题的流程并测试主要参数对结果的影响。 二、实验内容 1、参考实验系统给出的遗传算法核心代码，用遗传算法求解TSP的优化问题，分析遗传算法求解不同规模TSP问题的算法性能。 2、对于同一个TSP问题，分析种群规模、交叉概率和变异概率对算法结果的影响。 3、增加1种变异策略和1种个体选择概率分配策略，比较求解同一TSP问题时不同变异策略及不同个体选择分配策略对算法结果的影响。 4、上交源代码。 三、遗传算法求解TSP问题的流程图 四、遗传算法求解不同规模的TSP问题的算法性能 （1） 遗传算法执行方式说明： 适应度值计算方法：当前路线的路径长度 个体选择概率分配方法：适应度比例方法 选择个体方法：轮盘赌选择 交叉类型：PMX交叉 变异类型: 两点互换变异 （2）实验模拟结果： 城市个数 时间（ms） 5 16925 10 16630 15 18833 20 22596 25 24159 30 30289 35 35239 40 38608 45 40032 50 43757 55 47746 60 58143 65 59942 70 64361 75 71417 图1-1 （3）分析 由图1-1可知，遗传算法执行时间随着TSP问题规模的增大而增大，并且