数学建模专题之遗传算法.PPT

4 遗传算法求解巡回旅行商问题 （2）适应度函数：在TSP问题中，用路径的总长度作为适应度函数来衡量求解结果是否最优，路径越短对应的个体越优，其适应度值应越大。 两城市间的距离为： 个体代表的路径的总长度为： 则可采用倒数法将适应度函数取为： （3）选择操作：将群体中适应度较大的C个个体直接替换适应度较小的C个个体。其中C值与选择算子和群体规模的关系在这里取为： A1：（ ｜3 4 5 6｜ ） × × × × 第一步：保留交叉点的中间部分 第二步：交换对应位置的子串 A2：（ ｜0 8 5 3｜ ） × × × A2：（4 2 9｜0 8 5 3｜1 7 6） × × A1：（0 1 2｜3 4 5 6｜7 8 9） 2 9 1 7 9 7 4 遗传算法求解巡回旅行商问题 本例中采用有序交叉执行交叉操作。有序交叉能够有效地继承双亲的部分基因成分，达到了进化的遗传功能，使该遗传算法并不盲目搜索，二是趋向于使群体具有更多的优良基因。交叉后，考察父个体与子个体的适应度来决定是否更新种群。具体操作过程如下（以0~9编码为例）： （4）交叉操作 父个体：（“|”表示交叉点） × × × 3 0 1 2 4 8 6 6 4 变异后子代个体： 5 6 7 | 8 4 1 2 | 3 9 0 4 遗传算法求解巡回旅行商问题 变异操作中，若变异后子代的适应度值更加优异，则保留子代染色体，否则仍保留父代染色体。本例中，采用倒置变异法。例如：假设当前个体为“5678412390”，如果当前随机值p∈[0，1]≥pmutation，则随机选择来自同一个体的两个点（设为“8”和“2” ），执行变异操作，即倒置该两点的中间部分。产生的新个体为“5672148390”。 （5）变异操作 （6）群体初始化 2 变异前父代个体： 5 6 7 | | 3 9 0 1 4 8 pop=zeros(s,t); for i=1:s pop(i,1:t-1)=randperm(t-1); end 4 遗传算法求解巡回旅行商问题 4.3 计算仿真结果 990.0829 路径长度： 迁移代数： 50 4遗传算法求解巡回旅行商问题 4.3 计算仿真结果 701.7754 路径长度： 迁移代数： 100 4 遗传算法求解巡回旅行商问题 4.3 计算仿真结果 624.1821 路径长度： 迁移代数： 150 4 遗传算法求解巡回旅行商问题 4.3 计算仿真结果 523.2674 路径长度： 迁移代数： 200 4 遗传算法求解巡回旅行商问题 4.3 计算仿真结果 491.4063 路径长度： 迁移代数： 250 4 遗传算法求解巡回旅行商问题 4.3 计算仿真结果 453.1959 路径长度： 迁移代数： 300 4 遗传算法求解巡回旅行商问题 4.3 计算仿真结果 430.3986 路径长度： 迁移代数： 350 4.3 计算仿真结果 424.8693 路径长度： 迁移代数： 400 Best 4 遗传算法求解巡回旅行商问题 距离为426.64Km的访问次序 距离为424.78Km的访问次序（最优） 距离为431.94Km的访问次序 4 遗传算法求解巡回旅行商问题 2 标准遗传算法 （1）未成熟收敛现象 未成熟收敛现象是遗传算法中的特有现象，且十分常见。它是指，当遗传算法还没找到全局最优解或满意解时，群体中不能再产生性能超过父代的后代，群体中的各个个体非常相似。未成熟收敛的重要特征是群体中个体结构的多样性急剧减少。 2.6.2 未成熟收敛问题（Premature Convergence） （2）未成熟收敛产生的原因 ①理论上考虑的选择、交叉、变异操作都是绝对精确的，他们相互协调，能搜索到整个解空间，但实际不然； ②存在随机误差（主要包括取样误差和选择误差）； ③所求解的问题是遗传算法欺骗问题。 （3）未成熟收敛的防止 重新启动法 替代策略（Replacement Strategies ） 重组策略（Recombination Strategies ） 匹配策略（Mating Strategies） 提高多样性 遗传算法具体步骤 选择编码策略，把参数集合（可行解集合）转换染色体结构空间； 定义适应度函数，便于计算适应值； 确定遗传策略，包括选择群体大小，选择、交叉、变异方法以及确定交叉概率、变异概率等遗传参数； 随机产生初始化群体； 计算群体中的个体或染色体解码后的适应值； 按照遗传策略，运用选择、交叉和变异算子作用于群体，形成下一代群体； 判断群体性能是否满足某一指标，或者已完成预定的迭代次数，不满足则返回第