基于遗传算法的TSP算法
文章目录
- 一、理论基础
- 二、案例背景
- 1，问题描述
- 2，解决思路和步骤
- (1).算法流程
- (2).遗传算法实现
- 三、MATLAB程序实现
- (1).种群初始化
- (2).适应度函数
- (3).选择操作
- (4).交叉操作
- (5).变异操作
- (6).进化逆转操作
- (7).画路线轨迹图
- (8).遗传算法主函数
- (9).结果分析
- 四、遗传算法的改进
- 1. 使用精英策略
- 2. 使用进化逆转操作
- 五、算法的局限性
- 六、参考文献
一、理论基础
TSP(traveling salesman problem,旅行商问题)是典型的NP完全问题，即其最坏情况下的时间复杂度随着问题规模的增大按指数方式增长，到目前为止还未找到一个多项式时间的有效算法。
TSP问题可描述为：已知nnn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有且仅有一次，最后回到出发城市，如何安排才使其所走路线距离最短。简言之，就是寻找一条最短的遍历nnn个城市的路径，或者说搜索自然子集X={1,2,⋯,n}X=\{1,2,\dotsm,n\}X={1,2,⋯,n}(XXX的元素表示对nnn个城市的编号)的一个排列π(X)={V1,V2,⋯,Vn}π(X)=\{V_1,V_2,\dotsm,V_n\}π(X)={V1,V2,⋯,Vn}，使得Td=∑i=1n+1d(Vi,Vi+1)+d(Vn,V1)T_d=\sum_{i=1}^{n+1} {d(V_i,V_{i+1})}+d(V_n,V_1)Td=i=1∑n+1d(Vi,Vi+1)+d(Vn,V1)取得最小值，其中d(Vi,Vi+1)d(V_i,V_{i+1})d(Vi,Vi+1)表示城市ViV_iVi到城市Vi+1V_{i+1}Vi+1的距离。
二、案例背景
1，问题描述
本案例以14个城市为例，假定14个城市的位置坐标如表1所列。寻找出一条最短的遍历14个城市的路径。
表1 14个城市的位置坐标
2，解决思路和步骤
(1).算法流程
遗传算法TSP问题的流程图如图1所示。
图1 遗传算法TSP问题求解的流程图
(2).遗传算法实现
<1>编码
采用整数排列编码方法。对于nnn个城市的TSP问题，染色体分为nnn段，其中每一段为对应城市的编号，对10个城市的TSP问题1,2,3,4,5,6,7,8,9,10{1,2,3,4,5,6,7,8,9,10}1,2,3,4,5,6,7,8,9,10，则∣1∣10∣2∣4∣5∣6∣8∣7∣9∣3|1|10|2|4|5|6|8|7|9|3∣1∣10∣2∣4∣5∣6∣8∣7∣9∣3就是一个合法的染色体。
<2>种群初始化
在完成染色体编码以后，必须产生一个初始种群作为起始解，所以首先需要决定初始化种群的数目。初始化种群的数目一般根据经验得到，一般情况下种群的数量视城市规模的大小而定，其取值在50~200之间浮动。
<3>适应度函数
设k1∣k2∣⋯∣ki∣⋯∣kn∣k_1|k_2|\dotsm|k_i|\dotsm|k_n|k1∣k2∣⋯∣ki∣⋯∣kn∣为一个采用整数编码的染色体，DkikjD_{k_i k_j}Dkikj为城市kik_iki到城市kjk_jkj的距离，则该个体的适应度为fitness=1∑i=1n−1Dkikj+Dknk1fitness=\frac {1}{ \displaystyle\sum_{i=1}^{n-1} {D_{k_i k_j}}+D_{k_nk_1}}fitness=i=1∑n−1Dkikj+Dknk11即适应度函数为恰好走遍nnn个城市再回到出发城市的距离的倒数。优化的目标就是选择适应度函数值尽可能大的染色体，适应度函数值越大的染色体越优质，反之越劣质。
<4>选择操作
选择操作即从旧群体中以一定概率选择个体到新群体中，个体被选中的概率跟适应度值有关，个体适应度值越大，被选中的概率越大。
<5>交叉操作
采用部分映射杂交，确定交叉操作的父代，将父代样本两两分组，每组重复以下过程(假定城市数为10)：
①产生两个[1,10][1,10][1,10]区间内的随机整数r1r_1r1和r2r_2r2，确定两个位置，对两位置的中间数据进行交叉，如r1=4,r2=7r_1=4,r_2=7r1=4,r2=7
951∣3742∣10869\quad5\quad1|3\quad7\quad4\quad2|10\quad8\quad6\quad951∣3742∣10861054∣6387∣21910\quad5\quad4|6\quad3\quad8\quad7|2\quad1\quad9\quad1054∣6387∣219交叉为951∣6387∣10∗∗9\quad5\quad1|6\quad3\quad8\quad7|10\quad*\quad*\quad951∣6387∣10∗∗105∗∣3742∣∗1910\quad5\quad*|3\quad7\quad4\quad2|*\quad1\quad9\quad105∗∣3742∣∗19②交叉后，同一个个体中有重复的城市编号，不重复的数字保留，有冲突的数字(带∗*∗位置)采用部分映射的方法消除冲突，即利用中间段的对应关系进行映射。结果为951∣6387∣10429\quad5\quad1|6\quad3\quad8\quad7|10\quad4\quad2\quad951∣6387∣10421058∣3742∣61910\quad5\quad8|3\quad7\quad4\quad2|6\quad1\quad9\quad1058∣3742∣619<6>变异操作
变异策略采取随机选取两个点，将其对换位置。产生两个[1,10][1,10][1,10]范围内的随机整数r1r_1r1和r2r_2r2，确定两个位置，将其对换位置，如r1=4,r2=7r_1=4,r_2=7r1=4,r2=7951∣6∣38∣7∣10429\quad5\quad1|6|\quad3\quad8\quad|7|10\quad4\quad2\quad951∣6∣38∣7∣1042变异后为951∣7∣38∣6∣10429\quad5\quad1|7|\quad3\quad8\quad|6|10\quad4\quad2\quad951∣7∣38∣6∣1042<7>进化逆转操作
为改善遗传算法的局部搜索能力，在选择、交叉、变异之后引进连续多次的进化逆转操作。这里的“进化”是指逆转算子的单方向性，即只有经过逆转后，适应度值有提高的才接受下来，否则逆转无效。
产生两个[1,10][1,10][1,10]区间内的随机整数r1r_1r1和r2r_2r2，确定两个位置，将其对换位置，如r1=4,r2=7r_1=4,r_2=7r1=4,r2=7951∣738∣610429\quad5\quad1|7\quad3\quad8|6\quad10\quad4\quad2\quad951∣738∣61042进化逆转后为951∣837∣610429\quad5\quad1|8\quad3\quad7|6\quad10\quad4\quad2\quad951∣837∣61042对每个个体进行交叉变异，然后代入适应度函数进行评估，xxx选择出适应度值大的个体进行下一代的交叉和变异以及进化逆转操作。循环操作：判断是否满足设定的最大遗传代数MAXGEN ，不满足则跳入适应度值的计算；否则，结束遗传操作。
三、MATLAB程序实现
(1).种群初始化
种群初始化函数InitPop的代码：
function Chrom = InitPop(NIND,N)
%% 初始化种群
% 输入：
% NIND：种群大小
% N： 个体染色体长度（这里为城市的个数）
% 输出：
% 初始种群
Chrom = zeros(NIND, N); % 用于存储种群
for i = 1:NINDChrom(i, :) = randperm(N); % 随机生成初始种群
end
(2).适应度函数
求种群个体的适应度函数Fitness的代码：
function FitnV = Fitness(len)
%% 适应度函数
% 输入：
% 个体的长度（TSP的距离）
% 输出：
% 个体的适应度值
FitnV = 1./len;
(3).选择操作
选择操作函数Select的代码：
function SelCh = Select(Chrom,FitnV,GGAP)
%% 选择操作
% 输入
% Chrom 种群
% FitnV 适应度值
% GGAP：选择概率
% 输出
% SelCh 被选择的个体
NIND = size(Chrom,1); % 种群个数
NSel = max(floor(NIND*GGAP+.5), 2); % 被选中个体的数目
ChrIx = Sus(FitnV,NSel); % 被选中的个体索引号
SelCh = Chrom(ChrIx, :); % 被选中的个体
其中，函数Sus的代码为：
function NewChrIx = Sus(FitnV,Nsel)
% 输入:
% FitnV 个体的适应度值
% Nsel 被选择个体的数目
% 输出:
% NewChrIx 被选择个体的索引号
% Identify the population size (Nind)[Nind,ans] = size(FitnV);
% Perform stochastic universal samplingcumfit = cumsum(FitnV);trials = cumfit(Nind) / Nsel * (rand + (0:Nsel-1)');Mf = cumfit(:, ones(1, Nsel));Mt = trials(:, ones(1, Nind))';[NewChrIx, ans] = find(Mt < Mf & [ zeros(1, Nsel); Mf(1:Nind-1, :) ] <= Mt);
% Shuffle new population[ans, shuf] = sort(rand(Nsel, 1));NewChrIx = NewChrIx(shuf);
% End of function
(4).交叉操作
交叉操作函数Recombin的代码：
function SelCh = Recombin(SelCh,Pc)
%% 交叉操作
% 输入
% SelCh 被选择的个体
% Pc 交叉概率
% 输出：
% SelCh 交叉后的个体
NSel = size(SelCh, 1);
for i = 1:2:NSel-mod(NSel, 2)if Pc >= rand % 交叉概率Pc[SelCh(i, :), SelCh(i+1, :)] = intercross(SelCh(i, :), SelCh(i+1, :));end
end
function [a, b] = intercross(a, b)
%% 交叉
% 输入：
% a和b为两个待交叉的个体
% 输出：
% a和b为交叉后得到的两个个体
L = length(a);
r1 = randsrc(1, 1, [1:L]);
r2 = randsrc(1, 1, [1:L]);
if r1 ~= r2a0 = a; b0 = b;s = min([r1, r2]);e = max([r1, r2]);for i = s:ea1 = a; b1 = b;a(i) = b0(i);b(i) = a0(i);x = find(a == a(i));y = find(b == b(i));i1 = x(x ~= i);i2 = y(y ~= i);if ~isempty(i1)a(i1) = a1(i);endif ~isempty(i2)b(i2) = b1(i);endend
end
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% %% 交叉算法采用部分匹配交叉
% 这部分代码有问题
% function [a, b] = intercross(a, b)
% L = length(a);
% r1 = ceil(rand * L);
% r2 = ceil(rand * L);
% if r1 ~= r2
% s = min([r1,r2]);
% e = max([r1,r2]);
% a1 = a; b1 = b;
% a(s:e) = b1(s:e);
% b(s:e) = a1(s:e);
% for i = [setdiff(1:L, s:e)]
% [tf, loc] = ismember(a(i), a(s:e));
% if tf
% a(i) = a1(loc+s-1);
% end
% [tf, loc] = ismember(b(i), b(s:e));
% if tf
% b(i) = b1(loc+s-1);
% end
% end
% end
%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%
% function [a, b] = intercross(a, b)
% L = length(a);
% r1 = ceil(rand * L);
% r2 = ceil(rand * L);
% if r1 ~= r2
% s = min([r1, r2]);
% e = max([r1, r2]);
% a1 = a; b1 = b;
% a(s:e) = b1(s:e);
% b(s:e) = a1(s:e);
% for i = [setdiff(1:L, s:e)]
% a2 = a1(~ismember(a1, a));
% b2 = b1(~ismember(b1, b));
% if ~isempty(a2)
% if ~isempty(find(a(s:e) == a(i), 1))
% a(i) = a2(1);
% end
% end
% if ~isempty(b2)
% if ~isempty( find(b(s:e) == b(i), 1))
% b(i) = b2(1);
% end
% end
% end
% end
(5).变异操作
变异操作函数Mutate的代码：
function SelCh = Mutate(SelCh, Pm)
%% 变异操作
% 输入：
% SelCh 被选择的个体
% Pm 变异概率
% 输出：
% SelCh 变异后的个体
[NSel, L] = size(SelCh);
for i = 1:NSelif Pm >= randR = randperm(L);SelCh(i, R(1:2)) = SelCh(i, R(2:-1:1));end
end(6).进化逆转操作
进化逆转操作Reverse的代码：
function SelCh=Reverse(SelCh,D)
%% 进化逆转函数
% 输入
% SelCh 被选择的个体
% D 个城市的距离矩阵
% 输出
% SelCh 进化逆转后的个体
[row, col] = size(SelCh);
ObjV = PathLength(D, SelCh); % 计算路径长度
SelCh1 = SelCh;
for i = 1:rowr1 = randsrc(1, 1, [1:col]);r2 = randsrc(1, 1, [1:col]);mininverse = min([r1 r2]);maxinverse = max([r1 r2]);SelCh1(i, mininverse:maxinverse) = SelCh1(i, maxinverse:-1:mininverse);
end
ObjV1 = PathLength(D, SelCh1); % 计算路径长度
index = ObjV1 < ObjV;
SelCh(index, :)= SelCh1(index, :); % 取距离较短者
(7).画路线轨迹图
画出所给路线的轨迹图函数DrawPath的代码：
function DrawPath(Chrom,X)
%% 画路径函数
%输入
% Chrom 待画路径
% X 各城市坐标位置
R = Chrom(1, :); %一个随机解(个体)
figure;
hold on
plot([X(R, 1); X(R(1), 1)], [X(R, 2); X(R(1), 2)], 'o', 'color', [0.5,0.5,0.5])
plot(X(R(1), 1), X(R(1), 2), 'rv', 'MarkerSize', 20)
plot(X(R(end), 1), X(R(end), 2), 'rs', 'MarkerSize', 20)
text(X(R(1),1)+0.05, X(R(1),2)+0.05, [' 起点' num2str(R(1))], 'color', [1,0,0]);
text(X(R(end),1)+0.05, X(R(end),2)+0.05, [' 终点' num2str(R(end))], 'color', [1,0,0]);
for i = 1:size(X,1)if R(1) ~= i && R(end) ~= itext(X(i,1)+0.05, X(i,2)+0.05, num2str(i), 'color', [1,0,0]);end
end
A = [X(R, :); X(R(1), :)];
row=size(A,1);
for i=2:row[arrowx, arrowy] = dsxy2figxy(gca, A(i-1:i,1), A(i-1:i,2)); % 坐标转换annotation('textarrow', arrowx, arrowy, 'HeadWidth', 8, 'color', [0,0,1]);
end
hold off
xlabel('横坐标')
ylabel('纵坐标')
title('轨迹图')
box on
(8).遗传算法主函数
主函数名为GA_TSP，代码如下：
clear
clc
close all
load CityPosition1.mat
%% 初始化参数
NIND = 100; % 种群大小
MAXGEN = 200; % 最大遗传代数
Pc = 0.9; % 交叉概率
Pm = 0.05; % 变异概率
GGAP = 0.9; % 代沟(Generation gap)
D = Distance(X); % 生成距离矩阵
N = size(D, 1); % (14*14)
%% 初始化种群
Chrom = InitPop(NIND, N);
%% 在二维图上画出所有坐标点
% figure
% plot(X(:,1),X(:,2),'o');
%% 画出随机解的路线图
DrawPath(Chrom(1,:), X)
%% 输出随机解的路线和总距离
disp('初始种群中的一个随机值:')
OutputPath(Chrom(1,:));
Rlength = PathLength(D,Chrom(1,:));
disp(['总距离：', num2str(Rlength)]);
disp('~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~')
%% 优化
gen = 0;
figure;
hold on; box on
xlim([0,MAXGEN])
title('优化过程')
xlabel('代数')
ylabel('最优值')
ObjV = PathLength(D,Chrom); %计算路线长度
preObjV = min(ObjV);
while gen < MAXGEN%% 计算适应度ObjV = PathLength(D,Chrom); % 计算路线长度% fprintf('%d %1.10f\n',gen,min(ObjV))line([gen-1, gen], [preObjV, min(ObjV)]);preObjV = min(ObjV);FitnV = Fitness(ObjV);%% 选择SelCh = Select(Chrom,FitnV,GGAP);%% 交叉操作SelCh = Recombin(SelCh,Pc);%% 变异SelCh = Mutate(SelCh,Pm);%% 进化逆转操作SelCh = Reverse(SelCh,D);%% 重插入子代的新种群Chrom = Reins(Chrom,SelCh,ObjV);%% 更新迭代次数gen = gen+1 ;
end
%% 画出最优解的路线图
ObjV = PathLength(D,Chrom); %计算路线长度
[minObjV, minInd] = min(ObjV);
DrawPath(Chrom(minInd(1), :), X)
%% 输出最优解的路线和总距离
disp('最优解:')
p = OutputPath(Chrom(minInd(1), :));
disp(['总距离：', num2str(ObjV(minInd(1)))]);
disp('-------------------------------------------------------------')
重插入子代得到新种群的函数Reins代码如下：
function Chrom = Reins(Chrom, SelCh, ObjV)
%% 重插入子代的新种群
% 输入：
% Chrom 父代的种群
% SelCh 子代种群
% ObjV 父代适应度
% 输出：
% Chrom 组合父代与子代后得到的新种群
NIND = size(Chrom, 1);
NSel = size(SelCh, 1);
[TobjV, index] = sort(ObjV);
Chrom = [Chrom(index(1:NIND-NSel), :); SelCh];
(9).结果分析
优化前的一个随机路线轨迹图如图2所示。
图2 随机路线图
初始种群中的一个随机值:
10—>4—>8—>11—>9—>13—>3—>12—>14—>6—>1—>5—>2—>7—>10
总距离：70.3719
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
优化后的路线图如图3所示。
图3 最优解路线图
最优解:
5—>4—>3—>14—>2—>1—>10—>9—>11—>8—>13—>7—>12—>6—>5
总距离：29.3405
-------------------------------------------------------------
优化迭代图如图4所示。
图4 遗传算法进化过程图
由优化图可以看出，优化前后路径长度得到很大改进，接近40代以后路径长度已经保持不变了，可以认为是最优解了，总距离由优化前的70.3719变为29.3405，减为原来的41.7%。
具体细节可参考：
链接: https://pan.baidu.com/s/1xMoBF7KNrKqD4zKPo5YEKg
提取码: 5cdy
四、遗传算法的改进
上述程序中，对遗传算法做了以下两处改进。
1. 使用精英策略
子代种群中的最优个体永远不会比父代最优的个体差，这样使得父代的好的个体不至于由于交叉或者变异操作而丢失。
2. 使用进化逆转操作
同交叉算子相比较，逆转算子能使子代继承亲代的较多信息。
五、算法的局限性
当问题规模nnn比较小时，得到的一般都是最优解；当规模比较大时，一般只能得到近似解。这时可以通过增大种群大小和增加最大遗传代数使得优化值更接近最优解。
六、参考文献
[1] 储理才. 基于MATLAB的遗传算法程序设计及TSP问题求解[J]. 集美大学学报(自然科学版), 2001(1): 14-19.
[2] 郁磊, 史峰, 王辉, 等. MATLAB智能算法30个案例分析(第2版)[M]. 北京: 北京航空航天大学出版社, 2015.
基于遗传算法的TSP算法相关推荐
- 《MATLAB智能算法30个案例》：第4章 基于遗传算法的TSP算法
<MATLAB智能算法30个案例>:第4章 基于遗传算法的TSP算法 1. 前言 2. MATLAB 仿真示例 3. 小结 1. 前言 <MATLAB智能算法30个案例分析>是 ...
- 【建模算法】基于遗传算法求解TSP问题（matlab求解）
[建模算法]基于遗传算法求解TSP问题(matlab求解) TSP (traveling salesman problem,旅行商问题)是典型的NP完全问题,即其最坏情况下的时间复杂度随着问题规模的增 ...
- 基于遗传算法求解TSP问题（旅游路径规划，Python实现，超详细，可视化，结果分析）
ps:作者是很用心写的,如果觉得不错,请给作者一点鼓励噢!(点赞收藏评论噢) 基于遗传算法求解TSP问题 摘要 巡回旅行商问题(TSP)是组合优化中的经典问题.常见的TSP问题求解算法例如穷举法.贪心 ...
- pm模型matlab算法,18基于遗传算法(粒子群算法、人工鱼群算法等)的投影寻踪模型MATLAB源代码...
基于遗传算法(粒子群算法.人工鱼群算法等)的投影寻踪模型 MATLAB源代码 投影寻踪是一种处理多因素复杂问题的统计方法,其基本思路是将高维数据向低维空间进行投影,通过低维投影数据的散布结构来研究高维 ...
- 基于遗传算法解决TSP问题（Matlab代码实现）
目录 1 概述 2 运行结果 3 Matlab代码实现 4 结语 5 参考文献 1 概述 旅行商问题是一个经典的路径规划问题,传统TSP假设客户位置和客户之间旅行时间是固定不变的,而在现实生活中交通状 ...
- 基于遗传算法求解TSP问题（JAVA）
一.TSP问题 TSP问题(Travelling Salesman Problem)即旅行商问题,又译为旅行推销员问题.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 ...
- 基于遗传算法和模拟退火算法改进的混合模拟退火算法（解决求函数极值问题，MATLAB代码已实现）
基本思想: 混合模拟退火算法时遗传算法和模拟退火算法的结合,在混合模拟退火算法中使用了大量的样本作为问题的可能解决方案而不是将单个样本作为一个问题的可能解决方案.对遗传算法中适应的概念进行相应改进. ...
- 基于遗传算法的TSP问题求解（python实现）
问题描述 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 要求:参考遗 ...
- 【图像检测-边缘检测】基于遗传算法的边缘检测算法研究附matlab代码
✅作者简介:热爱科研的Matlab仿真开发者,修心和技术同步精进,matlab项目合作可私信.
- 遗传算法解决tsp问题（基于python）
目录 1.遗传算法简要介绍 2.tsp问题简要介绍 3.遗传算法解决tsp问题的几个特殊点 4.源码 1.遗传算法简要介绍 简单来说,遗传算法是用于解决最优化问题的一种搜索算法.其核心基于自然界种群进 ...
最新文章
- Latex中的插入表格
- Python：判定IP地址合法性的三种方法
- 向日葵远程使用备忘录
- 射灯安装方法图解_江苏天筑不锈钢雕塑厂家格栅射灯安装方法，格栅射灯安装注意事项...
- JZOJ 5776. 【NOIP2008模拟】小x游世界树
- 智能指针可以放到容器中么_Rust语言入门教程 智能指针篇
- Oracle如何实现跨库查询
- 给不懂技术的妹子，说清楚单列模式
- Android 如何修改factory mode下FM的默认测试频点及阀值
- 公司计算机程序员英语怎么说,计算机程序员英文求职信范文模板
- mapgis编辑属性结构编辑不了_在win 7系统中MAPGIS的区属性结构修改不了,而且出现死机...
- poj-1260 Pearls
- SPI和IIC异同点
- 怎样给领导或同事送礼?
- 【Swing】JTree:树组件
- 华师大 OJ 3055
- 计算机组成原理1（现代计算机细分组成框图）
- 机器学习笔记十九：正则化思想
- 华为ai服务器芯片,华为AI芯片有什么用特殊在哪 与普通芯片有什么区别
- 数据分析入门活动赛事，利用Pandas分析美国选民总统喜爱