遗传算法实验[汇编] .pdfVIP

精品文档 实验四 遗传算法实验 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、 实验原理： 旅行商问题，即 TSP 问题（Traveling Salesman Problem）是数学领域中著 名问题之一。假设有一个旅行商人要拜访 n 个城市，他必须选择所要走的路径， 路经的限制是每个城市只能拜访一次， 而且最后要回到原来出发的城市。 路径的 选择目标是要求得的路径路程为所有路径之中的最小值。 TSP问题是一个组合优 化问题。 该问题可以被证明具有 NPC计算复杂性。 因此，任何能使该问题的求解 得以简化的方法，都将受到高度的评价和关注。 遗传算法的基本思想正是基于模仿生物界遗传学的遗传过程。 它把问题的参 数用基因代表，把问题的解用染色体代表（在计算机里用二进制码表示），从而 得到一个由具有不同染色体的个体组成的群体。 这个群体在问题特定的环境里生 存竞争，适者有最好的机会生存和产生后代。 后代随机化地继承了父代的最好特 征，并也在生存环境的控制支配下继续这一过程。 群体的染色体都将逐渐适应环 境，不断进化，最后收敛到一族最适应环境的类似个体，即得到问题最优的解。 要求利用遗传算法求解 TSP问题的最短路径。 三、 实验内容及要求 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。 四、 实验结果（根据实验报告要求） . 精品文档 1、 画出遗传算法求解 TSP问题的流程图。 问题 确定表示问题解的染色体（编码） 初始化种群 计算每个个体的适应值 满足终止条件 根据适应值选择 输出最优解 交叉 变异 2、 分析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：