人工智能TSP旅行商问题实验报告.docxVIP

kkk kkk -kkk -kkk 人工智能实验三实验报告 班级： 姓名： 学号： 一实验题目 TSP问题的遗传算法实现 旅行商问题（Traveling Salesman Problem, TSP）,又译为旅行推销员问题、货担郎问 题，简称为TSP问题，是最基本的路线问题。假设有 n个可直达的城市，一销售商从其中 的某一城市出发，不重复地走完其余 n-1个城市并回到原出发点， 在所有可能的路径中求出 路径长度最短的一条。 应用遗传算法求解 30/10个节点的TSP （旅行商问题）问题，求问题的最优解。 二实验目的 1熟悉和掌握遗传算法的基本概念和基本思想； 2理解和掌握遗传算法的各个操作算子， 能够用选定的编程语言设计简单的遗传优化系 统； 3通过实验培养学生利用遗传算法进行问题求解的基本技能。 三实验要求 1掌握遗传算法的基本原理、各个遗传操作和算法步骤； 2要求求出问题最优解，若得不出最优解，请分析原因； 3对实验中的几个算法控制参数进行仔细定义，并能通过实验选择参数的最佳值； 4要求界面显示每次迭代求出的局部最优解和最终求出的全局最优解。 四数据结构 请说明染色体个体和群体的定义方法。 struct Ran SeTi 〃染色体的个体的定义方法 { int city[cities]; //基因的排列（即城市的顺序，路径的组织） int adapt; //记录适应度 double p; //记录其在种群中的幸存概率 } Ran SeTi [ num]. Ran SeTi temp[ nu m]; //用数组来存储染色体群体方法 五实验算法 1说明算法中对染色体的编码方法，适应度函数定义方法 1）染色体的编码方法： 即为染色体个体定义过程中生成的基因排列（路径中城市的顺序） struct Ran SeTi //染色体的个体的定义方法 { int city[cities]; II基因的排列(即城市的顺序，路径的组织) int adapt; II记录适应度 double p; II记录其在种群中的幸存概率 } Ran SeTi [ num], Ra nSeTi temp[ nu m]; II用数组来存储染色体群体方法 适应度函数定义方法： 评价函数即适应度函数， 在遗传算法中用来计算一个染色体优劣的函数。 在进 行遗传操作和种群进化的时候，每个染色体的适应值是决定它是否进入下一轮种群 进化的关键因素。适应值高的函数被选作新一代个体的可能性就会大。 TSP问题中适应度函数常取路径长度的倒数(或倒数的相关函数) ，如： / n J 、d(Xi ,Xi i) d(xn xj id 其中，N是个调节参数，根据实验情况进行确定。 for(i=0;i nu m;i++) { sumdista nce=0; for(j=1;jcities;j++) { n1= Ran SeTi [i].city[j-1]; n2= Ran SeTi [i].city[j]; sumdista nce+=dista nce[n 1][ n2]; } Ra nSeTi [i].ad apt=sumdista nee; II 每条染色体的路径总和 biggestsum+=sumdista nee; II 种群的总路径 } 2采用的选择、交叉、变异操作算子的具体操作 1)选择操作 我们定义f(xi)为第i (i=1,2,3.....popsize)个染色体的适应度，则每个个体被选 中的概率 是:P(Xi 是: P(Xi) = f(Xi) f(Xj) j T 本题中具体使用的是期望值方法 II初始化梯度概率 for(i=0;i nu m;i++) { gradie nt[i]=O.O; xua nze[i]=0.0; } gradie nt[0]=group[0].p; for(i=1;i nu m;i++) gradie nt[i]=gradie nt[i_1]+group[i].p; sran d(( un sig ned)time(NULL)); //随机产生染色体的存活概率 for(i=0;i nu m;i++) { xua nze[i]=(ra nd()%100); xua nze[i]/=100; } //选择能生存的染色体 for(i=0;i nu m;i++) { for(j=0;j nu m;j++) { if(xua nze[i]gradie nt[j]) { xuan[i]=j; //第i个位置存放第j个染色体 break; } } } //拷贝种群 for(i=0;i nu m;i++) { grouptemp[i].adapt=group[i].adapt; grouptemp[i].p=group[i].p; for(j=0;jcit