基于遗传算法的TSP问题解决.docx
《基于遗传算法的TSP问题解决.docx》由会员分享,可在线阅读,更多相关《基于遗传算法的TSP问题解决.docx(13页珍藏版)》请在冰点文库上搜索。
![基于遗传算法的TSP问题解决.docx](https://file1.bingdoc.com/fileroot1/2023-6/7/85eeff31-44f3-49fc-9dc7-fcfd0867e48d/85eeff31-44f3-49fc-9dc7-fcfd0867e48d1.gif)
基于遗传算法的TSP问题解决
实验题目:
的遗传算法解决TSP问题
姓名:
谢稳文
班级:
智能1001
学号:
20100840126
一:
问题描述
旅行商问题,即TSP问题(TravellingSalesmanProblem)又译为旅行商问题,货郎担问题,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,路径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。
二:
遗传算法的基本原理
遗传算法是由美国J.Holland教授于1975年在他的专著《自然界和人工系统的适应性》中首先提出的,它是一类借鉴生物界自然选择和自然遗传机制的随机化搜索算法。
遗传算法模拟自然选择和自然遗传过程中发生的繁殖、交叉和基因突变现象,在每次迭代中都保留一组候选解,并按某种指标从解群中选取较优的个体,利用遗传算子(选择、交叉和变异)对这些个体进行组合,产生新一代的候选解群,重复此过程,直到满足某种收敛指标为止。
遗传算法,在本质上是一种不依赖具体问题的直接搜索方法,是一种求解问题的高效并行全局搜索方法。
遗传算法在模式识别、神经网络、图像处理、机器
学习、工业优化控制、自适应控制、负载平衡、电磁系统设计、生物科学、社会科学等方面都得到了应用。
在人工智能研究中,现在人们认为“遗传算法、自适应系统、细胞自动控制、混沌理论与人工智一样,都是对今后十年的计算技术有重大影响的关键技术”。
基本步骤为:
标准的遗传算法包括群体的初始化,选择,交叉,变异操作。
所示,其主要步骤可描述如下:
(1)随机产生一组初始个体构成的初始种群,并评价每一个个体的适配值。
(2)判断算法的收敛准则是否满足。
若满足输出搜索结果;否则执行以下步骤。
(3)根据适配值大小以一定方式执行选择操作。
(4)按交叉概率Pc执行交叉操作。
(5)按变异概率Pm执行变异操作。
(6)返回步骤
(2)
算法流程图为:
三:
TSP问题的遗传算法设计
初始种群:
对于n个城市的问题,每个个体即每个解的长度为n,用s行,t列的pop矩阵表示初始群体,s表示初始群体的个数,t为n+1,矩阵的每一行的前n个元素表示城市编码,最后一个元素表示这一路径的长度。
这一算法通过start.m程序实现。
适应度:
在TSP的求解中,可以直接用距离总和作为适应度函数。
个体的路径长度越小,所得个体优越,以pop矩阵的每一行最后一个元素作为个体适应值。
选择:
选择就是从群体中选择优胜个体、淘汰劣质个体的操作,它是建立在群体中个体适应度评估基础上。
这里采用方法是最优保存方法。
算法就是首先将群体中适应度最大的k个个体直接替换适应度最小的k个体。
交叉:
受贪婪算法的启发,本文设计一种有目的使适应值上升的交叉算子。
已知两a1(m11,m12,m13,...,m1n),a2(m21,m22,m23,...,m2n),算法产生后代a1’和a2’的过程如下:
(1)随机产生一个城市d作为交叉起点,把d作为a1’和a2’的起始点
(2)分别从a1和a2中找出d的右城市dr1和dr2,并计算(d,dr1)和(d,dr2)的距离j1和j2。
(3)如果j1(4)如果j1>j2,则把dr2作为a1'的第二个点,从a1和a2中删除d,并且把当前点改为dr2。
(5)若此时p1和p2的个数为1,结束,否则回到第二步继续执行。
同理,把第二步中的右城市改成左城市dle1和dle2,通过计算(d,d1e1)和(d,d1e2)的距离并比较大小来确定子代a2'。
变异:
变异操作是以变异概率Pm对群体中个体串某些基因位上的基因值作变动,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。
这里采用的方法是倒置变异法。
假设当前个体X为(1374805962)。
如果Pm>rand,那么随机选择
来自同一个体的两个点mutatepoint
(1)和mutatepoint
(2),比如说3和7,倒置P1和P之间的部分,产生下面的子体X'为(1375084962)。
四:
实验代码
1主函数部分
clc;
clearall;
closeall;
globalxy
cityfile=fopen('city30.txt','rt');%取30个城市的样本
cities=fscanf(cityfile,'%f%f',[2,inf]);
fclose(cityfile);
t=30+1;%城市的数目是30个
s=1500;%样本的数目是1400个
G=300;%运算的代数
c=25;%选择算子中每次替代的样本的数量
x=cities(1,:
);
y=cities(2,:
);
pc=0.10;%交叉的概率
pm=0.8;%变异的概率
pop=zeros(s,t);%得初始的pop矩阵,矩阵的最后一列表示所在行的样本的路径距离
fori=1:
s
pop(i,1:
t-1)=randperm(t-1);%随机产生1—(t-1)的t-1个数
end
fork=1:
1:
G%GA开始
ifmod(k,50)==1
k
end
pop=distance(pop);%调用距离函数求距离
pop=select(pop,c);%调用选择函数
p1=rand;
ifp1>=pc
pop=cross(pop);%调用交叉函数
end
p2=rand;
ifp2>=pm
pop=mutate(pop);%调用变异函数
end
end%GA结束
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
bestL=min(pop(:
t))
J=pop(:
t);
fi=1./J;
[Oderfi,Indexfi]=sort(fi);%对于fi进行排序
BestS=pop(Indexfi(s),:
);%得到最短路
I=BestS;
fori=1:
1:
t-1
x1(i)=x(I(i));
y1(i)=y(I(i));
end
x1(t)=x(I
(1));
y1(t)=y(I
(1));
cities_new=[x1;y1];
disp('BestRouteis:
');disp(cities_new);
pos=[cities_newcities_new(:
1)];
lentemp=0;
fori=1:
1:
t-1
temp=sqrt((pos(1,i)-pos(1,i+1))^2+(pos(2,i)-pos(2,i+1))^2);
lentemp=lentemp+temp;
end
disp('ShortestLengthis:
');disp(lentemp);
figure
(1);
subplot(1,2,1);%窗口分割的左边部分
x(t)=x
(1);y(t)=y
(1);
plot(x,y,'-or');
xlabel('Xaxis'),ylabel('Yaxis'),title('原始路径');
axis([0,1,0,1]);
axis([0,100,0,100]);
axison
holdon;
subplot(1,2,2);%窗口分割的右边部分
plot(x1,y1,'-or');
xlabel('Xaxis'),ylabel('Yaxis'),title('最新的路径');
axis([0,1,0,1]);
axis([0,100,0,100]);
axison
2距离函数
function[pop]=distance(pop)
globalxy
[s,t]=size(pop);
fori=1:
1:
s
dd=0;
pos=pop(i,1:
t-1);
pos=[pospos(:
1)];
forj=1:
1:
t-1
m=pos(j);
n=pos(j+1);
dd=dd+sqrt((x(m)-x(n))^2+(y(m)-y(n))^2);
end
pop(i,t)=dd;
end
3选择函数
unction[pop]=select(pop,c)
[s,t]=size(pop);
m11=(pop(:
t));
m11=m11';
mmax=zeros(1,c);
mmin=zeros(1,c);
num=1;
whilenum[a,mmax(num)]=max(m11);%选取当前样本的最大值并记录样本编号给mmax(num)
m11(mmax(num))=0;
num=num+1;
end
num=1;
whilenum[b,mmin(num)]=min(m11);
m11(mmin(num))=a;
num=num+1;
end
fori=1:
c
pop(mmax(i),:
)=pop(mmin(i),:
);%用距离小的C个样本替换距离大的C个样本
end
4交叉函数
function[pop]=cross(pop)
[s,t]=size(pop);
pop_1=pop;
n=randperm(s);%将种群随机排序
fori=1:
2:
s
%随机选择两个交叉点
m=randperm(t-3)+1;
crosspoint
(1)=min(m
(1),m
(2));
crosspoint
(2)=max(m
(1),m
(2));
%任意两行交叉
x1=n(i);
x2=n(i+1);
%将x1左边与x2的左边互换
middle=pop(x1,1:
crosspoint
(1));
pop(x1,1:
crosspoint
(1))=pop(x2,1:
crosspoint
(1));
pop(x2,1:
crosspoint
(1))=middle;
%将x1右边与x2的右边互换
middle=pop(x1,crosspoint
(2)+1:
t);
pop(x1,crosspoint
(2)+1:
t)=pop(x2,crosspoint
(2)+1:
t);
pop(x2,crosspoint
(2)+1:
t)=middle;
%检查x1左边的重复性并得到x1的左边
forj=1:
crosspoint
(1)
whilefind(pop(x1,crosspoint
(1)+1:
crosspoint
(2))==pop(x1,j))
zhi=find(pop(x1,crosspoint
(1)+1:
crosspoint
(2))==pop(x1,j));%确定重复位置
temp=pop(x2,crosspoint
(1)+zhi);
pop(x1,j)=temp;
end
end
%检查x1的右边的重复性并得到x1的右边
forj=crosspoint
(2)+1:
t-1
whilefind(pop(x1,crosspoint
(1)+1:
crosspoint
(2))==pop(x1,j))
zhi=find(pop(x1,crosspoint
(1)+1:
crosspoint
(2))==pop(x1,j));%确定重复的位置
temp=pop(x2,crosspoint
(1)+zhi);
pop(x1,j)=temp;
end
end
%检查x2左边的重复性并得到x2的左边
forj=1:
crosspoint
(1)
whilefind(pop(x2,crosspoint
(1)+1:
crosspoint
(2))==pop(x2,j))
zhi=find(pop(x2,crosspoint
(1)+1:
crosspoint
(2))==pop(x2,j));确定重复位置
temp=pop(x1,crosspoint
(1)+zhi);
pop(x2,j)=temp;
end
end
%检查x2的右边的重复性并得到x2的右边
forj=crosspoint
(2)+1:
t-1
whilefind(pop(x2,crosspoint
(1)+1:
crosspoint
(2))==pop(x2,j))
zhi=find(pop(x2,crosspoint
(1)+1:
crosspoint
(2))==pop(x2,j));%确定重复的位置
temp=pop(x1,crosspoint
(1)+zhi);
pop(x2,j)=temp;
end
end
end
%生成的新的种群与交叉前进行比较,并取两者最优
[pop]=distance(pop);
fori=1:
s
ifpop_1(i,t)pop(i,:
)=pop_1(i,:
);
end
end
5变异函数
function[pop]=mutate(pop)
[s,t]=size(pop);
pop_1=pop;
fori=1:
2:
s
m=randperm(t-3)+1;
%随机取两个点
mutatepoint
(1)=min(m
(1),m
(2));
mutatepoint
(2)=max(m
(1),m
(2));
%用倒置变异的方法倒置两个点中间部分的位置
mutate=round((mutatepoint
(2)-mutatepoint
(1))/2-0.5);
forj=1:
mutate
zhong=pop(i,mutatepoint
(1)+j);
pop(i,mutatepoint
(1)+j)=pop(i,mutatepoint
(2)-j);
pop(i,mutatepoint
(2)-j)=zhong;
end
end
[pop]=distance(pop);%生成的新的种群与变异前比较,并取两者最优
fori=1:
s
ifpop_1(i,t)pop(i,:
)=pop_1(i,:
);
end
end
用上面的贪婪算法在matlab里运算的结果如下:
五:
实验心得
本实验利用遗传算法解决了小规模的TSP问题。
文章首先介绍了TSP问题,并给出TSP问题的数学定义,然后介绍了遗传算法的原理以及算法的基本过程。
本文程序解决小规模的TSP问题还可以,随着城市数目的增大,计算精度有所下降,计算时间增长很快,效率较低较快,这也是下一步需要改进的地方。