标签：ps nn asz 个体 源码 matlab path 遗传算法 cities
1 算法介绍
1.1 TSP介绍
“旅行商问题”(Traveling Salesman Problem,TSP)可简单描述为：一位销售商从n个城市中的某一城市出发，不重复地走完其余n-1个城市并回到原出发点，在所有可能路径中求出路径长度最短的一条。
旅行商的路线可以看作是对n城市所设计的一个环形，或者是对一列n个城市的排列。由于对n个城市所有可能的遍历数目可达(n-1)!个，因此解决这个问题需要O(n!)的计算时间。而由美国密执根大学的Holland教授发展起来的遗传算法，是一种求解问题的高效并行全局搜索方法，能够解决复杂的全局优化问题，解决TSP问题也成为遗传算法界的一个目标。
1.2 遗传算法求解tsp模型
巡回旅行商问题(TSP)是一个组合优化方面的问题，已经成为测试组合优化新算法的标准问题。应用遗传算法解决 TSP 问题，首先对访问城市序列进行排列组合的方法编码，这保证了每个城市经过且只经过一次。接着生成初始种群，并计算适应度函数，即计算遍历所有城市的距离。然后用最优保存法确定选择算子，以保证优秀个体直接复制到下一代。采用有序交叉和倒置变异法确定交叉算子和变异算子。
算法流程
旅行商问题的遗传算法实现
1.初始群体设定
一般都是随机生成一个规模为 N 的初始群体。在这里，我们定义一个s行t列的pop矩阵来表示群体，t 为城市个数 + 1，即 N + 1，s 为样本中个体数目。在本文探讨了 30 个城市的 TSP 问题，此时 t 取值 31，该矩阵中每一行的前 30 个元素表示经过的城市编号，最后一个元素表示适应度函数的取值，即每个个体所求的距离。
2.适应度函数的设计是根据个体适应值对其优劣判定的评价函数。在该问题中用距离的总和作为适应度函数，来衡量求解结果是否最优。
3.选择指以一定的概率从群体中选择优胜个体的操作，它是建立在群体中个体适应度评估基础上的。为了加快局部搜索的速度，在算法中采用最优保存策略的方法，即将群体中适应度最大的个体直接替换适应度最小的个体。它们不进行交叉和变异运算，而是直接复制到下一代，以免交叉和变异运算破坏种群中的优秀解答。
4.交叉算子是产生新个体的主要手段。它是指将个体进行两两配对，以交叉概率 Pc 将配对的父代个体的部分结构加以替换重组生成新个体的操作。本文中采用有序交叉法来实现。有序交叉法的步骤描述如下:
5.变异操作是以较小的概率 Pm 对群体中个体编码串上的某位或者某些位作变动，从而生成新的个体。本文中采用倒置变异法:假设当前个体 X为(1 3 7 4 8 0 5 9 6 2)，如果当前随机概率值小于 Pm，则随机选择来自同一个体的两个点mutatepoint(1) 和 mutatepoint(2)，然后倒置两点的中间部分，产生新的个体。例如，假设随机选择个体 X 的两个点“7”和“9”，则倒置该两个点的中间部分，即将“4805”变为“5084”，产生新的个体 X 为(1 3 7 5 0 8 4 9 6 2)。
6.终止条件为循环一定的代数。
2 部分代码
nn=40; % number of cities
asz=10; % area size asx x asz
ps=3000; % population size
ng=5000; % number of generation
pm=0.01; % probability of mutation of exchange 2 random cities in the path (per gene, per genration)
pm2=0.02; % probability of mutation of exchange 2 peices of path (per gene, per genration)
pmf=0.08; % probability of mutation of flip random pece of path
r=asz*rand(2,nn); % randomly distribute cities
% r(1,:) -x coordinaties of cities
% r(2,:) -y coordinaties of cities
% % uncomment to make circle:
% % circle
% al1=linspace(0,2*pi,nn+1);
% al=al1(1:end-1);
% r(1,:)=0.5*asz+0.45*asz*cos(al);
% r(2,:)=0.5*asz+0.45*asz*sin(al);
dsm=zeros(nn,nn); % matrix of distancies
for n1=1:nn-1
r1=r(:,n1);
for n2=n1+1:nn
r2=r(:,n2);
dr=r1-r2;
dr2=dr'*dr;
drl=sqrt(dr2);
dsm(n1,n2)=drl;
dsm(n2,n1)=drl;
end
end
% start from random closed pathes:
G=zeros(ps,nn); % genes, G(i,:) - gene of i-path, G(i,:) is row-vector with cities number in the path
for psc=1:ps
G(psc,:)=randperm(nn);
end
figure('units','normalized','position',[0.05 0.2 0.9 0.6]);
subplot(1,2,1);
% to plot best path:
hpb=plot(NaN,NaN,'r-');
ht=title(' ');
hold on;
% plot nodes numbers
for n=1:nn
text(r(1,n),r(2,n),num2str(n),'color',[0.7 0.7 0.7]);
end
plot(r(1,:),r(2,:),'k.'); % plot cities as black dots
axis equal;
xlim([-0.1*asz 1.1*asz]);
ylim([-0.1*asz 1.1*asz]);
subplot(1,2,2);
hi=imagesc(G);
title('color is city number');
colorbar;
xlabel('index in sequence of cities');
ylabel('path number');
pthd=zeros(ps,1); %path lengths
p=zeros(ps,1); % probabilities
for gc=1:ng % generations loop
% find paths length:
for psc=1:ps
Gt=G(psc,:);
pt=0; % path length summation
for nc=1:nn-1
pt=pt+dsm(Gt(nc),Gt(nc+1));
end
% last and first:
pt=pt+dsm(Gt(nn),Gt(1));
pthd(psc)=pt;
end
ipthd=1./pthd; % inverse path lengths, we want to maximize inverse path length
p=ipthd/sum(ipthd); % probabilities
[mbp bp]=max(p);
Gb=G(bp,:); % best path
% update best path on figure:
if mod(gc,5)==0
set(hpb,'Xdata',[r(1,Gb) r(1,Gb(1))],'YData',[r(2,Gb) r(2,Gb(1))]);
set(ht,'string',['generation: ' num2str(gc) ' best path length: ' num2str(pthd(bp))]);
set(hi,'CData',G);
drawnow;
end
% crossover:
ii=roulette_wheel_indexes(ps,p); % genes with cities numers in ii will be put to crossover
% length(ii)=ps, then more probability p(i) of i-gene then more
% frequently it repeated in ii list
Gc=G(ii,:); % genes to crossover
Gch=zeros(ps,nn); % childrens
for prc=1:(ps/2) % pairs counting
i1=1+2*(prc-1);
i2=2+2*(prc-1);
g1=Gc(i1,:); %one gene
g2=Gc(i2,:); %another gene
cp=ceil((nn-1)*rand); % crossover point, random number form range [1; nn-1]
% two childrens:
g1ch=insert_begining(g1,g2,cp);
g2ch=insert_begining(g2,g1,cp);
Gch(i1,:)=g1ch;
Gch(i2,:)=g2ch;
end
G=Gch; % now children
% mutation of exchange 2 random cities:
for psc=1:ps
if rand<pm
rnp=ceil(nn*rand); % random number of sicies to permuation
rpnn=randperm(nn);
ctp=rpnn(1:rnp); %chose rnp random cities to permutation
Gt=G(psc,ctp); % get this cites from the list
Gt=Gt(randperm(rnp)); % permutate cities
G(psc,ctp)=Gt; % % return citeis back
end
end
% mutation of exchange 2 peices of path:
for psc=1:ps
if rand<pm2
cp=1+ceil((nn-3)*rand); % range [2 nn-2]
G(psc,:)=[G(psc,cp+1:nn) G(psc,1:cp)];
end
end
% mutation of flip randm pece of path:
for psc=1:ps
if rand<pmf
n1=ceil(nn*rand);
n2=ceil(nn*rand);
G(pscs,n1:n2)=fliplr(G(psc,n1:n2));
end
end
G(1,:)=Gb; % elitism
end
3 仿真结果
4 参考文献
[1]谢胜利, 唐敏, 董金祥. 求解TSP问题的一种改进的遗传算法[J]. 计算机工程与应用, 2002, 38(008):58-60.
[2]文艺, and 潘大志. "用于求解TSP问题的改进遗传算法." 计算机科学 43.0z1(2016):90-92.
标签：ps,nn,asz,个体,源码,matlab,path,遗传算法,cities 来源： https://blog.csdn.net/m0_60703264/article/details/120396979
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。