tsp問題 遺傳演算法解決

tsp問題最簡單的求解方法是列舉法。它的解是多維的、多區域性極值的、趨於無窮大的複雜解的空間，搜尋空間是n個點的所有排列的集合，大小為（n-1）！。可以形象地把解空間看成是乙個無窮大的丘陵地帶，各山峰或山谷的高度即是問題的極值。求解tsp，則是在此不能窮盡的丘陵地帶中攀登以達到山頂或谷底的過程。

這一篇將用遺傳演算法解決tsp問題。

1）評價。這個評價演算法應該比較簡單了，就是找計算總距離，小的為優。目標函式轉化為適應度函式可以取倒數。

2）突變。為了防止重複訪問，不能隨機的進行突變。因為每個城市只能訪問一次，我們只需要任意的交換兩個城市即可。

上一行是突變之前，下面一行是突變之後的。

3）交叉。這個操作是個比較關鍵的步驟，怎樣交叉才能才能父母的優秀基因呢？對於tsp問題，我們要找的是乙個最優的排列，其中排列的順序應該是最重要的。

因此在交叉的時候，分別隨機的取 父母的部分序列，要保持原有的順序。

先隨機的選取 parent1 的 一部分，例如 678 部分，。然後把剩下的城市 安裝 parent2 中的順序，遺傳下去。

其它基本按照遺傳演算法的框架來就行了

// tsp.cpp : 定義控制台應用程式的入口點。

//#include "stdafx.h"
#include//#include #include //#include using namespace std;
#define   popsize      200   //種群總數
#define rdint(i)(rand()%(int)(i))
#define rdft()((float)rdint(16384)/(16383.0))
typedef unsigned char byte;
//31個城市的座標
int city[31][2] = , 3639, 1315, 4177, 2244, 3712, 1399, 3488, 1535, 3326, 1556, 3238, 1229,
4196, 1004, 4312, 790, 4386, 570, 3007, 1970, 2562, 1756, 2788, 1491, 2381, 1676, 1332, 695, 3715, 1678,
3918, 2179, 4061, 2370, 3780, 2212, 3676, 2578, 4029, 2838, 4263, 2931, 3429, 1908, 3507, 2367, 3394, 2643,
3439, 3201, 2935, 3240, 3140, 3550, 2545, 2357, 2778, 2826, 2370, 2975 };
int* my_unrepeat_rand(int l, int h)
for (int j = len; j > 0; --j)
return n;
}class chromosome
byte*get_gene()
double get_distance()
void calculate_distance()//計算適應度，這裡直接取總距離，越小越好
distance += sqrt(pow(double(city[gene[0]][0] - city[gene[length - 1]][0]), double(2)) + pow(double(city[gene[0]][1] - city[gene[length - 1]][1]), double(2)));
}	paircross(chromosome p1)//交叉操作，選中區間的基因不改變，孩子基因的其他位置的基因從配偶處獲得，要保持順序
int j = 0,p=0;
for (int i = 0; i < length; i++)
bool flag = true;
while (flag)
if (flag)
j++;
}child.first.gene[i] = p1.gene[j];
j++;
flag = true;
while (flag)
if (flag)
p++;
}child.second.gene[i] = gene[p];
p++;
}		return child;
}	chromosome mutation()//變異，選擇兩個位置交換基因
int temp = gene[m];
gene[m] = gene[n];
gene[n] = temp;
return *this;
}};class population
;public:
population(double pc, double pm, bool iselitism, unsigned int maxgen) :m_dcrossoverrate(pc), m_dmutationrate(pm), elitism(iselitism), maxgeneration(maxgen)//建構函式
void calcu_fit()//計算適應值
find_best_worst();
//sort_by_distance(popsize);
double mindis = best.distance;
double maxdis = worst.distance;
for (int i = 0; i < popsize; i++)
}//fitness(i,1)=(1-((len(i,1)-minlen)/(maxlen-minlen+0.0001)))
void sort_by_distance(int k)
}sort_by_distance(k - 1);
}	void find_best_worst()
if (pop[i].distance < mindis)
}	}	
int roulettewheelselection()
}}	void epoch()			
while (newbabies < popsize)
pairchild;
if (rdft() < m_dcrossoverrate)
else
if (rdft() < m_dmutationrate)
if (rdft() < m_dmutationrate)
new_pop[newbabies]=child.first;
new_pop[newbabies+1] = child.second;
newbabies += 2;
}		for (int i = 0; i < popsize; i++)
pop[i] = new_pop[i];
++generation;	}	
chromosome get_best()
void run()		}
};int _tmain(int argc, _tchar* argv)
{	time_t t;
srand((unsigned)time(&t));
population tsp(0.6,0.1,true,1000);
tsp.run();
cout << tsp.get_best().get_distance()<

遺傳演算法解決TSP問題

基本原理在 中有注釋 1 include2 include 3 include 4 include5 include 6 using std string 7 8struct position9 1617 double tsp int n,struct position position,int t...

使用遺傳演算法解決TSP問題

遺傳演算法顧名思義就是模擬生物界的自然選擇原理，比如對於tsp問題，遺傳演算法大體上是可以先隨機生成一組大量的解空間，作為乙個初始的種群，然後按照一定的策略讓種群自由交叉 也就是傳說中的交配 變異。按照一定的策略淘汰種群中不符合預期目的的個體。目前大多數遺傳演算法使用的是根據隨機生成的概率與給定的交...

遺傳演算法模擬解決TSP問題

include include include include include define cities 10 城市的個數 define maxx 100 迭代次數 define pc 0.8 交配概率 define pm 0.05 變異概率 define num 10 種群的大小 int bes...