遗传算法求解TSP问题.docVIP

人工智能实验 PAGE 9 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，并且大致为线性增长。 五、不同参数下的计算结果对比 （1）种群规模对算法结果的影响 实验次数：10 最大迭代步数:100 交叉概率：0.85 变异概率：0.15 表1-1 种群规模 适应度值 最优路径 10 25.264 4-5-8-7-6-3-1-0-9-2 20 26.3428 2-9-1-0-3-6-7-5-8-4 30 25.1652 1-3-6-7-5-8-4-2-9-0 50 25.1652 0-1-3-6-7-5-8-4-2-9 80 25.1652 9-0-1-3-6-7-5-8-4-2 100 25.1652 1-0-9-2-4-8-5-7-6-3 150 25.1652 5-8-4-2-9-0-1-3-6-7 200 25.1652 1-3-6-7-5-8-4-2-9-0 250 25.1652 3-1-0-9-2-4-8-5-7-6 300 25.1652 5-8-4-2-9-0-1-3-6-7 如表1-1所示，显然最短路径为25.1652m,最优路径为1-0-9-1-3-6-7-5-8-4-2或3-1-0-9-2-4-8-5-7-6，注意到这是一圈，顺时针或者逆时针都可以。当种群规模为10，20时，并没有找到最优解。 （2）交叉概率对算法结果的影响 实验次数：15 种群规模：25 最大迭代步数:100 变异概率：0.15 实验结果： 表1-2 交叉概率 最好适应度 最差适应度 平均适应度 最优解 运行时间 0.001 28.0447 36.6567 32.6002 9-2-6-0-5-4-8-7-3-1 310 0.01 27.0935 34.9943 32.1495 7-8-3-1-9-2-6-0-5-4 260 0.1 28.0447 35.3033 31.9372 7-3-1-9-2-6-0-5-4-8 300 0.15 28.0447 34.1175 31.2183 0-5-4-8-7-3-1-9-2-6 270 0.2 28.7108 33.9512 30.9035 3-1-9-2-6-5-0-4-7-8 280 0.25 28.0447 35.1623 30.7456 1-3-7-8-4-5-0-6-2-9 260 0.3 27.0935 31.9941 29.9428 8-3-1-9-2-6-0-5-4-7 290 0.35 27.0935 32.8085 30.9945 9-1-3-8-7-4-5-0-6-2 270 0.4 27.0935 32.5313 30.1534 1-3-8-7-4-5-0-6-2-9 279 0.45 27.0935 33.2014 30.1757 8-3-1-9-2-6-0-5-4-7 456 0.5 28.0934 33.6307 30.9026 5-0-2-6-9-1-3-8-7-4 663 0.55 27.0935 33.5233 29.1304 1-9-2-6-0-5-4-7-8-3 520 0.6 27.0935 33.2512 30.7836 3-1-9-2-6-0-5-4-7-8 546 0.65 28.0447 33.7003 30.9371 5-4-8-7-3-1-9-2-6-0 596 0.7 27.0935 32.0927 29.95