最近越来越发现很难不受外界干扰的进行学习,可能与九月份这个躁动的求职季节有关,看着师兄们每天忙着奔走于各个公司的宣讲会,心中有种莫名的心情,时常想起大学毕业时的情景:四月经历考研失败;五月忙于毕业设计;六月刚毕业答辨完就和同学离开学校奔走于武汉各招聘会;两个星期后终于将自己“卖”出去;七月做着人生的一份工作。。。时常会清晰的感觉时间的紧迫,但还是得按步就部,不能冒进,一步一个脚印,坚持学习与提高自身素质并重。
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。
遗传算法求解TSP的基本步骤
(1)
(2)
(3)
(4)
(5)
以下为选择N不同时对应的遗传算法所得到的最短距离连接图:
N=8时
在N=9以下时,计算机通过计算全排列得到的最优解和遗传算法得到的结果一致,而在N大于9时,计算机需要很长时间(等了几个小时都没计算出最优解),而遗传算法则可得到次优解或满意解。
MATLAB实现程序如下:
(1)
function fitness=fit(len,m,maxlen,minlen)
fitness=len;
for i=1:length(len)
end
(2)个体距离计算函数
function len=myLength(D,p)
[N,NN]=size(D);
len=D(p(1,N),p(1,1));
for i=1:(N-1)
end
end
(3)交叉操作函数
function [A,B]=cross(A,B)
L=length(A);
if L<10
elseif ((L/10)-floor(L/10))>=rand&&L>10
else
end
p=unidrnd(L-W+1);
fprintf('p=%d ',p);
for i=1:W
end
end
(4)对调函数 exchange.m
function [x,y]=exchange(x,y)
temp=x;
x=y;
y=temp;
end
(5)变异函数 Mutation.m
function a=Mutation(A)
index1=0;index2=0;
nnper=randperm(size(A,2));
index1=nnper(1);
index2=nnper(2);
%fprintf('index1=%d ',index1);
%fprintf('index2=%d ',index2);
temp=0;
temp=A(index1);
A(index1)=A(index2);
A(index2)=temp;
a=A;
end
(6)连点画图函数 plot_route.m
function plot_route(a,R)
scatter(a(:,1),a(:,2),'rx');
hold on;
plot([a(R(1),1),a(R(length(R)),1)],[a(R(1),2),a(R(length(R)),2)]);
hold on;
for i=2:length(R)
end
end
(7)主函数
clear;
clc;
%%%%%%%%%%%%%%%输入参数%%%%%%%%
N=50;
M=100;
C=100;
C_old=C;
m=2;
Pc=0.4;
Pmutation=0.2;
%%生成城市的坐标
pos=randn(N,2);
%%生成城市之间距离矩阵
D=zeros(N,N);
for i=1:N
end
%%生成初始群体
popm=zeros(M,N);
for i=1:M
end
%%随机选择一个种群
R=popm(1,:);
figure(1);
scatter(pos(:,1),pos(:,2),'rx');
axis([-3 3 -3 3]);
figure(2);
plot_route(pos,R);
axis([-3 3 -3 3]);
%%初始化种群及其适应函数
fitness=zeros(M,1);
len=zeros(M,1);
for i=1:M
end
maxlen=max(len);
minlen=min(len);
fitness=fit(len,m,maxlen,minlen);
rr=find(len==minlen);
R=popm(rr(1,1),:);
for i=1:N
fprintf('%d ',R(i));
end
fprintf('\n');
fitness=fitness/sum(fitness);
distance_min=zeros(C+1,1);
while C>=0
fprintf('迭代第%d次\n',C);
%%选择操作
nn=0;
for i=1:size(popm,1)
end
%%每次选择都保存最优的种群
popm_sel=popm_sel(1:nn,:);
[len_m len_index]=min(len_1);
popm_sel=[popm_sel;popm(len_index,:)];
%%交叉操作
nnper=randperm(nn);
A=popm_sel(nnper(1),:);
B=popm_sel(nnper(2),:);
for i=1:nn*Pc
[A,B]=cross(A,B);
popm_sel(nnper(1),:)=A;
popm_sel(nnper(2),:)=B;
end
%%变异操作
for i=1:nn
end
%%求适应度函数
NN=size(popm_sel,1);
len=zeros(NN,1);
for i=1:NN
end
maxlen=max(len);
minlen=min(len);
distance_min(C+1,1)=minlen;
fitness=fit(len,m,maxlen,minlen);
rr=find(len==minlen);
fprintf('minlen=%d\n',minlen);
R=popm_sel(rr(1,1),:);
for i=1:N
fprintf('%d ',R(i));
end
fprintf('\n');
popm=[];
popm=popm_sel;
C=C-1;
%pause(1);
end
figure(3)
plot_route(pos,R);
axis([-3 3 -3 3]);