遗传-模拟退火-蚁群三个算法求解TSP的对比讲解

数学与统计学院

智能计算及应用课程设计

设计题目：智能计算解决旅行商问题

摘要

本文以遗传算法、模拟退火、蚁群算法三个算法解决旅行商问题，将三个算法进行比较分析。目前这三个算法广泛应用于各个领域中，本文以31个城市为例，运用遗传算法、模拟退火、蚁群算法分别进行了计算，将他们的计算结果进行了比较分析。

关键词:遗传算法模拟退火蚁群算法旅行商问题

背景：

遗传算法：

20世纪60年代初，美国Michigan大学的John Holland教授开始研究自然和人工系统的自适应行为，在从事如何建立能学习的机器的研究过程中，受达尔文进化论的启发，逐渐意识到为获得一个好的算法仅靠单个策略建立和改进是不够的，还要依赖于一个包含许多候选策略的群体的繁殖，从而提出了遗传算法的基本思想。

20世纪60年代中期，基于语言智能和逻辑数学智能的传统人工智能十分兴盛，而基于自然进化思想的模拟进化算法则遭到怀疑与反对，但Holland及其指导的博士仍坚持这一领域的研究。Bagley发表了第一篇有关遗传算法应用的论文，并首先提出“遗传算法”这一术语，在其博士论文中采用双倍体编码，发展了复制、交叉、变异、显性、倒位等基因操作算子，并敏锐地察觉到防止早熟的机理，发展了自组织遗传算法的概念。与此同时，Rosenberg在其博士论文中进行了单细胞生物群体的计算机仿真研究，对以后函数优化颇有启发，并发展了自适应交换策略，在遗传操作方面提出了许多独特的设想。Hollistien在其1971年发表的《计算机控制系统的人工遗传自适应方法》论文中首次将遗传算法应用于函数优化，并对优势基因控制、交叉、变异以及编码技术进行了深入的研究。

人们经过长期的研究，在20世纪}o年代初形成了遗传算法的基本框架。1975年Holland 出版了经典著作“Adaptation in Nature and Artificial System",该书详细阐述了遗传算

法的基本理论和方法，提出了著名的模式理论，为遗传算法奠定了数学基础。同年，DeJong 发表了重要论文“An Analysis of the Behav-nor of a Class of Genetie Adaptive System"，在论文中，他将Holland的模式理论与计算实验结合起来，并通过函数优化的应用深人研究，将选择、交叉、变异操作进一步完善和系统化，并提出了代沟等新的操作技术，所得出的许多结论至今仍具有普遍的指导意义。

进入20世纪80年代末期，随着计算机技术的发展，遗传算法的研究再次兴起。遗传算法以其较强的解决问题的能力和广泛的适应性，深受众多领域研究人员的重视，遗传算法的理论研究和应用研究已成为十分热门的课题。自1985年起，遗传算法及其应用的国际会议每两年召开一次，并且在相关的人工智能会议和刊物上大多设有遗传算法的专题。

模拟退火：

模拟退火算法来源于固体退火原理，是一种基于概率的算法，将固体加温至充分高，再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。

模拟退火算法(Simulated Annealing，SA)最早的思想是由N. Metropolis[1]等人于1953年提出。1983 年,S. Kirkpatrick 等成功地将退火思想引入到组合优化领域。它是基于Monte-Carlo迭代求解策略的一种随机寻优算法，其出发点是基于物理中固体物质的退火过程与一般组合优化问题之间的相似性。模拟退火算法从某一较高初温出发，伴随温度参数的不断下降,结合概率突跳特性在解空间中随机寻找目标函数的全局最优解，即在局部最优解能概率性地跳出并最终趋于全局最优。模拟退火算法是一种通用的优化算法，理论上算法具有概率的全局优化性能,目前已在工程中得到了广泛应用，诸如VLSI、生产调度、控制工程、机器学习、神经网络、信号处理等领域。

模拟退火算法是通过赋予搜索过程一种时变且最终趋于零的概率突跳性，从而可有效避免陷入局部极小并最终趋于全局最优的串行结构的优化算法。

蚁群算法：

蚁群算法(ant colony optimization, ACO)，又称蚂蚁算法，是一种用来在图中寻找优化路径的机率型算法。它由Marco Dorigo于1992年在他的博士论文中提出，其灵感来源于蚂蚁在寻找食物过程中发现路径的行为。蚁群算法是一种模拟进化算法，初步的研究表明该算法具有许多优良的性质。针对PID控制器参数优化设计问题，将蚁群算法设计的结果与遗传算法设计的结果进行了比较，数值仿真结果表明，蚁群算法具有一种新的模拟进化优化方法的有效性和应用价值。

算法原理：

遗传算法：

遗传操作是模拟生物基因遗传的做法。在遗传算法中，通过编码组成初始群体后，遗

传操作的任务就是对群体的个体按照它们对环境适应度(适应度评估)施加一定的操作，从而实现优胜劣汰的进化过程。从优化搜索的角度而言，遗传操作可使问题

遗传过程

的解，一代又一代地优化，并逼近最优解。

遗传操作包括以下三个基本遗传算子(genetic operator):选择(selection)；交叉(crossover)；变异(mutation)。这三个遗传算子有如下特点：

个体遗传算子的操作都是在随机扰动情况下进行的。因此，群体中个体向最优解迁移的规则是随机的。需要强调的是，这种随机化操作和传统的随机搜索方法是有区别的。遗传操作进行的高效有向的搜索而不是如一般随机搜索方法所进行的无向搜索。

遗传操作的效果和上述三个遗传算子所取的操作概率，编码方法，群体大小，初始群体以及适应度函数的设定密切相关。

从群体中选择优胜的个体，淘汰劣质个体的操作叫选择。选择算子有时又称为再生算子(reproduction operator)。选择的目的是把优化的个体(或解)直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。选择操作是建立在群体中个体的适应度评估基础上的，目前常用的选择算子有以

下几种：适应度比例方法、随机遍历抽样法、局部选择法。

其中轮盘赌选择法（roulette wheel selection）是最简单也是最常用的选择方法。在该方法中，各个个体的选择概率和其适应度值成比例。设群体大小为n，其中个体i的适应度为，则i 被选择的概率，为遗传算法

显然，概率反映了个体i的适应度在整个群体的个体适应度总和中所占的比例。个体适应度越大。其被选择的概率就越高、反之亦然。计算出群体中各个个体的选择概率后，为了选择交配个体，需要进行多轮选择。每一轮产生一个[0，1]之间均匀随机数，将该随机数作为选择指针来确定被选个体。个体被选后，可随机地组成交配对，以供后面的交叉操作。

在自然界生物进化过程中起核心作用的是生物遗传基因的重组(加上变异)。同样，遗传算法中起核心作用的是遗传操作的交叉算子。所谓交叉是指把两个父代个体的部分结构加以替换重组而生成新个体的操作。通过交叉，遗传算法的搜索能力得以飞跃提高。

交叉算子根据交叉率将种群中的两个个体随机地交换某些基因，能够产生新的基因组合，期望将有益基因组合在一起。根据编码表示方法的不同，可以有以下的算法：实值重组（离散重组,中间重组,线性重组,扩展线性重组）。二进制交叉（单点交叉,多点交叉,均匀交叉,洗牌交叉,缩小代理交叉）。

最常用的交叉算子为单点交叉。具体操作是:在个体串中随机设定一个交叉点，实行交叉时，该点前或后的两个个体的部分结构进行互换，并生成两个新个体。下面给出了单点交叉的一个例子：

个体A：1 0 0 1 ↑1 1 1 → 1 0 0 1 0 0 0 新个体

个体B：0 0 1 1 ↑0 0 0 → 0 0 1 1 1 1 1 新个体