遗传算法论文.docVIP

PAGE PAGE 1 目录? 1??引言??2? 2??问题描述??2? 3??基于遗传算法TSP算法??3? 3.1??基于遗传算法的TSP算法总体框架??3? 3.2?算法的详细设计??4? 3.2.1?解空间的表示方式??5? 3.2.2?种群初始化??5? 3.2.3?适应度函数??5? 3.2.4?选择操作??6? 3.2.5?交叉操作??6? 3.2.6?变异操作??7? 3.3?实验结果分析??7? 4遗传算法优缺点??8 5结语??9 论文题目：基于遗传算法的TSP算法求解20大城市最短旅途 论文摘要：TSP问题为组合优化中的经典的NP完全问题.本论文以为给定20个城市制定最短旅途为例，利用基于遗传算法的TSP算法求解20个点的最短路线问题.?本论文给出了遗传算法中各算子的实现方法，并展示出求解系统的结构和求解系统基于java的实现机制．?利用java软件编程，运行出结果，并对基于遗传算法的TSP算法结果描述其优缺点，并选择最为恰当的TSP算法，实现最短旅途的最优解.?? ? 关键词：?遗传算法；TSP；最短路径； 1??引言 TSP问题为组合优化中的经典问题，已经证明为一NP完全问题，即其最坏情况下的时间复杂性随着问题规模的扩大，按指数方式增长，到目前为止不能找到一个多项式时间的有效算法。TSP问题可描述为:已知n个城市相互之间的距离，某一旅行商从某个城市出发访问每个城市一次且仅一次，最后回到出发城市，如何安排才使其所走路线最短。TSP问题不仅仅是一个简单的组合优化问题，其他许多的NP完全问题可以归结为TSP问题，如邮路问题、装配线上的螺帽问题和产品的生产安排问题等，使得TSP问题的有效求解具有重要的意义。本文中的TSP算法主要采用遗传算法。遗传算法是一种进化算法，其基本原理是仿效生物界中的“物竞天择，适者生存”的演化法则。遗传算法把问题参数编码为染色体，再按照所选择的适应度函数，利用迭代的方式进行选择、交叉以及等运算对个体进行筛选和进化，使适应值大的个体被保留，适应值小的个体被淘汰，新的群体继承了上一代的信息，又优于上一代，这样反复循环，直至满足条件，最后留下来的个体集中分布在最优解的周围，筛选出最优个体作为问题的解。 2??问题描述? 本案例为20个城市，分别为1-20，根据全程路径最短为目的，制定最优的顺序依次经过这20个城市。这类问题就由TSP算法来解决，寻找出一条最短遍历这20个城市的路径。随机给出20个城市坐标，下表为这20个城市的位置坐标如表2-1所示。 表2-1??20个城市的位置坐标? 城市编号 X坐标 Y坐标 城市编号 X坐标 Y坐标 1 60 200 11 180 100 2 180 200 12 60 80 3 80 180 13 120 80 4 140 180 14 180 60 5 20 160 15 20 40 6 100 160 16 100 40 7 200 160 17 200 40 8 140 140 18 20 20 9 40 120 19 60 20 10 100 120 20 160 20 3??基于遗传算法TSP算法? 3.1??基于遗传算法的TSP算法总体框架? TSP问题的遗传算法包括编码设计、种群初始化、适应度函数选择、变异操作设定、选择操作设定、交叉操作设定以及终止条件设定。为简化TSP问题的求解，假设每个城市和其它任意一个城市之间都直接相连.遗传算法TSP问题的流程图如图2-1所示 图2-1算法流程框架图 3.2?算法的详细设计? 3.2.1?解空间的表示方式? 遗传算法对解空间的表示大多采用二进制编码形式，但是二进制编码方式不适合TSP问题的解的表示，要是给出城市编号，用十进制数编码来表示解更合适，例如：近邻表示、次序表示和路径表示等等.这里采用了最简单的路径表示法。它是最自然、最接近人类思维的表示法.因此对20个城市依次编号为1-20。例如，下面的路径（闭合的）：10-4-2-8-1-7-6-20-16-17-13-11-18-15-14-19-12-9-5-3-10 表示从城市10出发，经过1-20个城市最后回到城市10的一条路径，可以自然地用一维数组来表示：? （10，4，2，8，1，7，6，20，16，17，13，11，18，15，14，19，12，9，5，3，10） 20个旅游城市的TSP问题，如果将种群规模设为50，则解空间就用二维数组来表示：tour[50][20]。 3.2.2?种群初始化? 种群的规模选择应适