遗传算法求解TSP问题实验报告(仅供参照)
TSP问题求解实验报告
TSP问题求解（一）实验目的熟悉和掌握遗传算法的原理，流程和编码策略，并利用遗传求解函数优化问题，理解求解TSP问题的流程并测试主要参数对结果的影响。
（二）实验原理巡回旅行商问题给定一组n个城市和俩俩之间的直达距离，寻找一条闭合的旅程，使得每个城市刚好经过一次且总的旅行距离最短。
TSP问题也称为货郎担问题，是一个古老的问题。
最早可以追溯到1759年Euler提出的骑士旅行的问题。
1948年，由美国兰德公司推动，TSP成为近代组合优化领域的典型难题。
TSP是一个具有广泛的应用背景和重要理论价值的组合优化问题。
近年来，有很多解决该问题的较为有效的算法不断被推出，例如Hopfield神经网络方法，模拟退火方法以及遗传算法方法等。
TSP搜索空间随着城市数n的增加而增大,所有的旅程路线组合数为(n-1)!/2。
在如此庞大的搜索空间中寻求最优解，对于常规方法和现有的计算工具而言，存在着诸多计算困难。
借助遗传算法的搜索能力解决TSP问题，是很自然的想法。
基本遗传算法可定义为一个8元组：（SGA）=（C，E，P0，M，Φ，Г，Ψ，Τ）C ——个体的编码方法，SGA使用固定长度二进制符号串编码方法；E ——个体的适应度评价函数；P0——初始群体；M ——群体大小，一般取20—100；Ф——选择算子，SGA使用比例算子；Г——交叉算子，SGA使用单点交叉算子；Ψ——变异算子，SGA使用基本位变异算子；Т——算法终止条件，一般终止进化代数为100—500；问题的表示对于一个实际的待优化问题，首先需要将其表示为适合于遗传算法操作的形式。
用遗传算法解决TSP，一个旅程很自然的表示为n个城市的排列，但基于二进制编码的交叉和变异操作不能适用。
路径表示是表示旅程对应的基因编码的最自然，最简单的表示方法。
它在编码，解码，存储过程中相对容易理解和实现。
例如：旅程（5-1-7-8-9-4-6-2-3）可以直接表示为（5 1 7 8 9 4 6 2 3）（三）实验内容N>=8。
实验六：遗传算法求解TSP问题实验2篇
实验六：遗传算法求解TSP问题实验2篇第一篇：遗传算法的原理与实现1. 引言旅行商问题（TSP问题）是一个典型的组合优化问题，它要求在给定一组城市和每对城市之间的距离后，找到一条路径，使得旅行商能够在所有城市中恰好访问一次并回到起点，并且总旅行距离最短。
遗传算法作为一种生物启发式算法，在解决TSP问题中具有一定的优势。
本实验将运用遗传算法求解TSP问题，以此来探讨和研究遗传算法在优化问题上的应用。
2. 遗传算法的基本原理遗传算法是模拟自然界生物进化过程的一种优化算法。
其基本原理可以概括为：选择、交叉和变异。
（1）选择：根据问题的目标函数，以适应度函数来评估个体的优劣程度，并按照适应度值进行选择，优秀的个体被保留下来用于下一代。
（2）交叉：从选出的个体中随机选择两个个体，进行基因的交换，以产生新的个体。
交叉算子的选择及实现方式会对算法效果产生很大的影响。
（3）变异：对新生成的个体进行基因的变异操作，以保证算法的搜索能够足够广泛、全面。
通过选择、交叉和变异操作，不断迭代生成新一代的个体，遗传算法能够逐步优化解，并最终找到问题的全局最优解。
3. 实验设计与实施（1）问题定义：给定一组城市和每对城市之间的距离数据，要求找到一条路径，访问所有城市一次并回到起点，使得旅行距离最短。
（2）数据集准备：选择适当规模的城市数据集，包括城市坐标和每对城市之间的距离，用于验证遗传算法的性能。
（3）遗传算法的实现：根据遗传算法的基本原理，设计相应的选择、交叉和变异操作，确定适应度函数的定义，以及选择和优化参数的设置。
（4）实验流程：a. 初始化种群：随机生成初始种群，每个个体表示一种解（路径）。
b. 计算适应度：根据适应度函数，计算每个个体的适应度值。
c. 选择操作：根据适应度值选择一定数量的个体，作为下一代的父代。
d. 交叉操作：对父代进行交叉操作，生成新的个体。
e. 变异操作：对新生成的个体进行变异操作，以增加搜索的多样性。
实验六：遗传算法求解TSP问题实验3篇
实验六：遗传算法求解TSP问题实验3篇以下是关于遗传算法求解TSP问题的实验报告，分为三个部分，总计超过3000字。
一、实验背景与原理1.1 实验背景旅行商问题（Traveling Salesman Problem，TSP）是组合优化中的经典问题。
给定一组城市和每两个城市之间的距离，求解访问每个城市一次并返回出发城市的最短路径。
TSP 问题具有很高的研究价值，广泛应用于物流、交通运输、路径规划等领域。
1.2 遗传算法原理遗传算法（Genetic Algorithm，GA）是一种模拟自然选择和遗传机制的搜索算法。
它通过选择、交叉和变异操作生成新一代解，逐步优化问题的解。
遗传算法具有全局搜索能力强、适用于多种优化问题等优点。
二、实验设计与实现2.1 实验设计本实验使用遗传算法求解TSP问题，主要包括以下步骤：（1）初始化种群：随机生成一定数量的个体（路径），每个个体代表一条访问城市的路径。
（2）计算适应度：根据路径长度计算每个个体的适应度，适应度越高，路径越短。
（3）选择操作：根据适应度选择优秀的个体进入下一代。
（4）交叉操作：随机选择两个个体进行交叉，生成新的个体。
（5）变异操作：对交叉后的个体进行变异，增加解的多样性。
（6）更新种群：将新生成的个体替换掉上一代适应度较低的个体。
（7）迭代：重复步骤（2）至（6），直至满足终止条件。
2.2 实验实现本实验使用Python语言实现遗传算法求解TSP问题。
以下为实现过程中的关键代码：（1）初始化种群```pythondef initialize_population(city_num, population_size): population = []for _ in range(population_size):individual = list(range(city_num))random.shuffle(individual)population.append(individual)return population```（2）计算适应度```pythondef calculate_fitness(population, distance_matrix): fitness = []for individual in population:path_length =sum([distance_matrix[individual[i]][individual[i+1]] for i in range(len(individual) 1)])fitness.append(1 / path_length)return fitness```（3）选择操作```pythondef selection(population, fitness, population_size): selected_population = []fitness_sum = sum(fitness)fitness_probability = [f / fitness_sum for f in fitness]for _ in range(population_size):individual = random.choices(population, fitness_probability)[0]selected_population.append(individual)return selected_population```（4）交叉操作```pythondef crossover(parent1, parent2):index1 = random.randint(0, len(parent1) 2)index2 = random.randint(index1 + 1, len(parent1) 1)child1 = parent1[:index1] +parent2[index1:index2] + parent1[index2:]child2 = parent2[:index1] +parent1[index1:index2] + parent2[index2:]return child1, child2```（5）变异操作```pythondef mutation(individual, mutation_rate):for i in range(len(individual)):if random.random() < mutation_rate:j = random.randint(0, len(individual) 1) individual[i], individual[j] = individual[j], individual[i]return individual```（6）更新种群```pythondef update_population(parent_population, child_population, fitness):fitness_sum = sum(fitness)fitness_probability = [f / fitness_sum for f in fitness]new_population =random.choices(parent_population + child_population, fitness_probability, k=len(parent_population)) return new_population```（7）迭代```pythondef genetic_algorithm(city_num, population_size, crossover_rate, mutation_rate, max_iterations): distance_matrix =create_distance_matrix(city_num)population = initialize_population(city_num, population_size)for _ in range(max_iterations):fitness = calculate_fitness(population, distance_matrix)selected_population = selection(population, fitness, population_size)parent_population = []child_population = []for i in range(0, population_size, 2):parent1, parent2 = selected_population[i], selected_population[i+1]child1, child2 = crossover(parent1, parent2)child1 = mutation(child1, mutation_rate)child2 = mutation(child2, mutation_rate)parent_population.extend([parent1, parent2]) child_population.extend([child1, child2])population =update_population(parent_population, child_population, fitness)best_individual =population[fitness.index(max(fitness))]best_path_length =sum([distance_matrix[best_individual[i]][best_individual[i +1]] for i in range(len(best_individual) 1)])return best_individual, best_path_length```三、实验结果与分析3.1 实验结果本实验选取了10个城市进行测试，遗传算法参数设置如下：种群大小：50交叉率：0.8变异率：0.1最大迭代次数：100实验得到的最佳路径长度为：1953.53.2 实验分析（1）参数设置对算法性能的影响种群大小：种群大小会影响算法的搜索能力和收敛速度。
TSP问题求解实验报告(word文档良心出品)
TSP问题求解（一）实验目的熟悉和掌握遗传算法的原理，流程和编码策略，并利用遗传求解函数优化问题，理解求解TSP问题的流程并测试主要参数对结果的影响。
（二）实验原理巡回旅行商问题给定一组 n 个城市和俩俩之间的直达距离，寻找一条闭合的旅程，使得每个城市刚好经过一次且总的旅行距离最短。
TSP 问题也称为货郎担问题，是一个古老的问题。
最早可以追溯到 1759 年 Euler提出的骑士旅行的问题。
1948 年，由美国兰德公司推动， TSP成为近代组合优化领域的典型难题。
TSP 是一个具有广泛的应用背景和重要理论价值的组合优化问题。
近年来，有很多解决该问题的较为有效的算法不断被推出，例如 Hopfield 神经网络方法，模拟退火方法以及遗传算法方法等。
TSP搜索空间随着城市数n 的增加而增大 , 所有的旅程路线组合数为 (n-1)!/2。
在如此庞大的搜索空间中寻求最优解，对于常规方法和现有的计算工具而言，存在着诸多计算困难。
借助遗传算法的搜索能力解决TSP问题，是很自然的想法。
基本遗传算法可定义为一个8 元组：（SGA）=（ C， E，P0， M，Φ，Г，Ψ ，Τ）C ——个体的编码方法，SGA 使用固定长度二进制符号串编码方法；E——个体的适应度评价函数；P0——初始群体；M ——群体大小，一般取20—100；Ф——选择算子，SGA使用比例算子；Г——交叉算子，SGA使用单点交叉算子；Ψ——变异算子，SGA使用基本位变异算子；Т——算法终止条件，一般终止进化代数为 100—500；问题的表示对于一个实际的待优化问题，首先需要将其表示为适合于遗传算法操作的形式。
用遗传算法解决 TSP，一个旅程很自然的表示为 n 个城市的排列，但基于二进制编码的交叉和变异操作不能适用。
路径表示是表示旅程对应的基因编码的最自然，最简单的表示方法。
它在编码，解码，存储过程中相对容易理解和实现。
例如：旅程（ 5-1-7-8-9-4-6-2-3）可以直接表示为（ 5 1 7 894623 ）（三）实验内容N>=8。
基于Matlab的遗传算法解决TSP问题的报告
报告题目：基于Matlab的遗传算法解决TSP问题说明：该文包括了基于Matlab的遗传算法解决TSP问题的基本说明，并在文后附录了实现该算法的所有源代码。
此代码经过本人的运行，没有发现错误，结果比较接近理论最优值，虽然最优路径图有点交叉。
因为本人才疏学浅，本报告及源代码的编译耗费了本人较多的时间与精力，特收取下载积分，还请见谅。
若有什么问题，可以私信，我们共同探讨这一问题。
希望能对需要这方面的知识的人有所帮助！1.问题介绍旅行商问题(Traveling Salesman Problem，简称TSP)是一个经典的组合优化问题。
它可以描述为：一个商品推销员要去若干个城市推销商品，从一个城市出发，需要经过所有城市后，回到出发地，应如何选择行进路线，以使总行程最短。
从图论的角度看，该问题实质是在一个带权完全无向图中。
找一个权值最小的Hemilton回路。
其数学描述为：设有一个城市集合其中每对城市之间的距离(),i j d c c R +∈，求一对经过C中每个城市一次的路线()12,,n c c c ΠΠΠ⋯使()()()1111min ,,n i n i i d c c d c c −ΠΠΠΠ+=+∑其中()12,,12n n ΠΠΠ⋯⋯是，的一个置换。
2.遗传算法2.1遗传算法基本原理遗传算法是由美国J.Holland 教授于1975年在他的专著《自然界和人工系统的适应性》中首先提出的，它是一类借鉴生物界自然选择和自然遗传机制的随机化搜索算法。
遗传算法模拟自然选择和自然遗传过程中发生的繁殖、交叉和基因突变现象，在每次迭代中都保留一组候选解，并按某种指标从解群中选取较优的个体，利用遗传算子(选择、交叉和变异)对这些个体进行组合，产生新一代的候选解群，重复此过程，直到满足某种收敛指标为止。
遗传算法，在本质上是一种不依赖具体问题的直接搜索方法，是一种求解问题的高效并行全局搜索方法。
遗传算法在模式识别、神经网络、图像处理、机器学习、工业优化控制、自适应控制、负载平衡、电磁系统设计、生物科学、社会科学等方面都得到了应用。
遗传算法求解TSP问题
遗传算法求解TSP问题实验六遗传算法求解TSP问题⼀、实验⽬的熟悉和掌握遗传算法的原理、流程和编码策略，并利⽤遗传求解函数优化问题，理解求解TSP问题的流程并测试主要参数对结果的影响。
⼆、实验内容1、参考实验系统给出的遗传算法核⼼代码，⽤遗传算法求解TSP的优化问题，分析遗传算法求解不同规模TSP问题的算法性能。
2、对于同⼀个TSP问题，分析种群规模、交叉概率和变异概率对算法结果的影响。
3、增加1种变异策略和1种个体选择概率分配策略，⽐较求解同⼀TSP问题时不同变异策略及不同个体选择分配策略对算法结果的影响。
4、上交源代码。
三、遗传算法求解TSP问题的流程图四、遗传算法求解不同规模的TSP问题的算法性能（1）遗传算法执⾏⽅式说明：适应度值计算⽅法：当前路线的路径长度●个体选择概率分配⽅法：适应度⽐例⽅法●选择个体⽅法：轮盘赌选择●交叉类型：PMX交叉●变异类型: 两点互换变异（2）实验模拟结果：图1-1（3）分析由图1-1可知，遗传算法执⾏时间随着TSP问题规模的增⼤⽽增⼤，并且⼤致为线性增长。
五、不同参数下的计算结果对⽐最⼤迭代步数:100交叉概率：0.85变异概率：0.15如表1-1或3-1-0-9-2-4-8-5-7-6，注意到这是⼀圈，顺时针或者逆时针都可以。
当种群规模为10，20时，并没有找到最优解。
（2）交叉概率对算法结果的影响实验次数：15种群规模：25最⼤迭代步数:100变异概率：0.15实验结果：在该情况下，交叉概率过低将使搜索陷⼊迟钝状态，得不到最优解。
种群规模：25最⼤迭代步数:100交叉概率：0.85实验结果：⼜表1-3可知，当变异概率过⼤或过低都将导致⽆法得到最优解。
注：（2）（3）的实验数据与（1）的实验数据不同，详见附录。
六、不同变异策略和个体选择概率分配策略对算法结果的影响（1）两点互换变异与插⼊变异的⽐较：●试验次数（CASNUM）：10●城市数(POINTCNT):10●种群规模(POPSIZE)：100●最⼤迭代步数(GENERATIONS):100●交叉概率(PC)：0.85●变异概率(PM):0.15●选择个体⽅法：轮盘赌选择●交叉类型：PMX交叉●个体选择概率分配⽅法：适应度⽐例⽅法a.变异类型: 两点互换变异b.变异类型: 插⼊变异分析：两点互换变异20次模拟中，4次得到⾮最优解；⽽插⼊变异只有2次；插⼊变异的最好适应度平均值⽐两点互换变异⼩0.14755，最差适应度平均值和总的适应度平均值都⽐两点互换下，并且在Release下，运⾏时间前者⽐后者快218.3ms。
TSP问题遗传算法求解实验报告
一、旅行商问题所谓旅行商问题(Travelling Salesman Problem , TSP)，即最短路径问题，就是在给定的起始点S到终止点T的通路集合中，寻求距离最小的通路，这样的通路成为S点到T点的最短路径。
在寻找最短路径问题上，有时不仅要知道两个指定顶点间的最短路径，还需要知道某个顶点到其他任意顶点间的最短路径。
遗传算法方法的本质是处理复杂问题的一种鲁棒性强的启发性随机搜索算法，用遗传算法解决这类问题，没有太多的约束条件和有关解的限制，因而可以很快地求出任意两点间的最短路径以及一批次短路径。
假设平面上有n个点代表n个城市的位置, 寻找一条最短的闭合路径, 使得可以遍历每一个城市恰好一次。
这就是旅行商问题。
旅行商的路线可以看作是对n 个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0(n!)的计算时间。
假设每个城市和其他任一城市之间都以欧氏距离直接相连。
也就是说, 城市间距可以满足三角不等式, 也就意味着任何两座城市之间的直接距离都小于两城市之间的间接距离。
二、遗传算法1 遗传算法介绍遗传算法是由美国J.Holland教授于1975年在他的专著《自然界和人工系统的适应性》中首先提出的，它是一类借鉴生物界自然选择和自然遗传机制的随机化搜索算法。
通过模拟自然选择和自然遗传过程中发生的繁殖、交叉和基因突变现象，在每次迭代中都保留一组候选解，并按某种指标从解群中选取较优的个体，利用遗传算子(选择、交叉和变异)对这些个体进行组合，产生新一代的候选解群，重复此过程，直到满足某种收敛指标为止。
遗传算法在本质上是一种不依赖具体问题的直接搜索方法，是一种求解问题的高效并行全局搜索方法。
其假设常描述为二进制位串，位串的含义依赖于具体应用。
搜索合适的假设从若干初始假设的群体集合开始。
当前种群成员通过模仿生物进化的方式来产生下一代群体，如随机变异和交叉。
利用遗传算法解决TSP问题(DOC)
课程实验报告1.实验目的利用遗传算法获得TSP问题的近似解。
2.实验要求要求学生了解遗传算法解决问题的基本流程。
对TSP问题有所了解,知道TSP 问题的难点在什么地方,如何使用遗传算法来获得一个较好的近似解。
3.实验内容已知n个城市之间的相互距离，现有一个推销员必须遍访这n个城市，并且每个城市只能访问一次，最后又必须返回出发城市。
如何安排他对这些城市的访问次序，可使其旅行路线的总长度最短？用图论的术语来说，假设有一个图g=(v,e)，其中v是顶点集，e是边集，设d=(dij)是由顶点i和顶点j之间的距离所组成的距离矩阵，旅行商问题就是求出一条通过所有顶点且每个顶点只通过一次的具有最短距离的回路。
4.实验软硬件环境基本Windows系统基本运行环境，VS20125.实验方案（1）遗传算法是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，是一种通过模拟自然进化过程搜索最优解的方法遗传算法的基本运算过程如下：a)初始化：设置进化代数计数器t=0，设置最大进化代数T，随机生成M个个体作为初始群体P(0)。
b)个体评价：计算群体P(t)中各个个体的适应度。
c)选择运算:将选择算子作用于群体。
选择的目的是把优化的个体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。
d)交叉运算：将交叉算子作用于群体。
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。
遗传算法中起核心作用的就是交叉算子。
e)变异运算：将变异算子作用于群体。
即是对群体中的个体串的某些基因座上的基因值作变动。
群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t 1)。
f)终止条件判断:若t=T,则以进化过程中所得到的具有最大适应度个体作为最优解输出，终止计算。
（2）用遗传算法模拟TSP问题TSP问题及旅行商问题,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。
人工智能实验三-TSP问题
【实验名称】人工智能实验三：遗传算法求解TSP问题遗传算法参数（SGA）=（C，E，P0，M，Φ，Г，Ψ，Τ）C ——个体的编码方法；E ——个体的适应度评价函数；P0——初始群体；M ——群体大小，一般取20—100；Ф——选择算子，SGA使用比例算子；Г——交叉算子，SGA使用单点交叉算子；Ψ——变异算子，SGA使用基本位变异算子；Т——算法终止条件，一般终止进化代数为100—500；实验代码：#include <cmath>#include <ctime>#include <vector>#include <map>#include <string>#include <iostream>#include <algorithm>using namespace std;float pcross = 0.80; //交叉率float pmutation = 0.1; //变异率int popsize = 300; //种群大小const int lchrom = 20; //染色体长度int gen; //当前世代int maxgen = 100; //最大世代数int run; //当前运行次数int maxruns =10; //总运行次数float max_var = 9 ; //路径最大连接开销//基因定义(一个城市)struct Gene{string name;map<Gene*,float> linkCost; //该城市到其它城市的路程开销};//染色体定义(到各城市顺序的一种组合)struct Chrom{vector<Gene*> chrom_gene; //染色体（到各城市去的顺序）float varible; //路程总开销float fitness; //个体适应度};//种群定义struct Pop{vector<Chrom> pop_chrom; //种群里的染色体组float sumfitness; //种群中个体适应度累计};Pop oldpop; //当前代种群Pop newpop; //新一代种群vector<Gene> genes(lchrom); //保存全部基因//产生一个随机整数(在low和high之间)inline int randomInt(int low,int high){if(low==high)return low;return low+rand()%(high-low+1);}//计算一条染色体的个体适应度inline void chromCost(Chrom& chr){float sum=0;for(int i=0;i<chr.chrom_gene.size()-1;i++){sum += (chr.chrom_gene[i])->linkCost[chr.chrom_gene[i+1]];}sum += (chr.chrom_gene.front())->linkCost[chr.chrom_gene.back()];chr.varible=sum;chr.fitness=max_var*(lchrom) - chr.varible;}//计算一个种群的个体适应度之和inline void popCost(Pop &pop){float sum=0;for(int i=0;i<pop.pop_chrom.size();i++){sum+=pop.pop_chrom[i].fitness;}pop.sumfitness = sum;}void outChrom(Chrom& chr);//随机初始化一条染色体inline void initChrom(Chrom& chr){vector<int> tmp(lchrom);for(int i=0;i<lchrom;i++)tmp[i]=i;int choose;while(tmp.size()>1){choose=randomInt(0,tmp.size()-1);chr.chrom_gene.push_back(&genes[tmp[choose]]);tmp.erase(tmp.begin()+choose);}chr.chrom_gene.push_back(&genes[tmp[0]]);chromCost(chr);}//随机初始化种群inline void initpop(Pop& pop){pop.pop_chrom.reserve(popsize);Chrom tmp;tmp.chrom_gene.reserve(lchrom);for(int i=0;i<popsize;i++){initChrom(tmp);pop.pop_chrom.push_back(tmp);tmp.chrom_gene.clear();}popCost(pop);}//轮盘赌选择,返回种群中被选择的个体编号inline int selectChrom(const Pop& pop){float sum = 0;float pick = float(randomInt(0,1000))/1000;int i = 0;if(pop.sumfitness!=0){while(1){sum += pop.pop_chrom[i].fitness/pop.sumfitness;i++;if( (sum > pick) || i==pop.pop_chrom.size()-1)return i-1; //??为什么返回29就会出错？？？}}elsereturn randomInt(0,pop.pop_chrom.size()-2);}//精英策略，返回最优秀的一条染色体inline int chooseBest(const Pop& pop){int choose = 0;float best = 0;for(int i = 0;i< pop.pop_chrom.size();i++){if(pop.pop_chrom[i].fitness > best){best = pop.pop_chrom[i].fitness;choose = i;}}return choose;}//染色体交叉操作,由两个父代产生两个子代(顺序交叉OX)inline void crossover(Chrom& parent1,Chrom& parent2,Chrom& child1,Chrom& child2){child1.chrom_gene.resize(lchrom);child2.chrom_gene.resize(lchrom);vector<Gene*>::iteratorv_iter,p1_beg,p2_beg,c1_beg,c2_beg,p1_end,p2_end,c1_end,c2_end;p1_beg = parent1.chrom_gene.begin();p2_beg = parent2.chrom_gene.begin();c1_beg = child1.chrom_gene.begin();c2_beg = child2.chrom_gene.begin();p1_end = parent1.chrom_gene.end();p2_end = parent2.chrom_gene.end();c1_end = child1.chrom_gene.end();c2_end = child2.chrom_gene.end();vector<Gene*> v1(parent2.chrom_gene), v2(parent1.chrom_gene); //用于交叉的临时表//随机选择两个交叉点int pick1 = randomInt(1,lchrom-3);int pick2 = randomInt(pick1+1,lchrom-2);int dist = lchrom-1-pick2; //第二交叉点到尾部的距离//子代保持两交叉点间的基因不变copy(p1_beg+pick1, p1_beg+pick2+1, c1_beg+pick1);copy(p2_beg+pick1, p2_beg+pick2+1, c2_beg+pick1);//循环移动表中元素rotate(v1.begin(), v1.begin()+pick2+1,v1.end());rotate(v2.begin(), v2.begin()+pick2+1,v2.end());//从表中除去父代已有的元素for(v_iter = p1_beg+pick1; v_iter!=p1_beg+pick2+1; ++v_iter) remove(v1.begin(),v1.end(),*v_iter);for(v_iter = p2_beg+pick1; v_iter!=p2_beg+pick2+1; ++v_iter) remove(v2.begin(),v2.end(),*v_iter);//把表中元素复制到子代中copy(v1.begin(), v1.begin()+dist, c1_beg+pick2+1);copy(v1.begin()+dist, v1.begin()+dist+pick1, c1_beg);copy(v2.begin(), v2.begin()+dist, c2_beg+pick2+1);copy(v2.begin()+dist, v2.begin()+dist+pick1, c2_beg);}//染色体变异操作,随机交换两个基因inline void mutation(Chrom& chr){vector<Gene*>::iterator beg = chr.chrom_gene.begin();int pick1,pick2;pick1 = randomInt(0,lchrom-1);do{pick2 =randomInt(0,lchrom-1);}while(pick1==pick2);iter_swap(beg+pick1, beg+pick2);}//世代进化(由当前种群产生新种群)void generation(Pop& oldpop,Pop& newpop){newpop.pop_chrom.resize(popsize);int mate1,mate2,j;float pick;float tmp;Chrom gene1,gene2,tmp1,tmp2;gene1.chrom_gene.resize(lchrom);gene2.chrom_gene.resize(lchrom);tmp1.chrom_gene.resize(lchrom);tmp2.chrom_gene.resize(lchrom);//将最佳染色体放入下一代mate1 = chooseBest(oldpop);newpop.pop_chrom[0] = oldpop.pop_chrom[mate1];j = 1;//产生两条新染色体do{int count = 0;mate1 = selectChrom(oldpop);mate2 = selectChrom(oldpop);pick = float(randomInt(0,1000))/1000;gene1= oldpop.pop_chrom[mate1];gene2= oldpop.pop_chrom[mate1];if(pick < pcross) //交叉操作{int count = 0;bool flag1 = false;bool flag2 = false;while(1){crossover(oldpop.pop_chrom[mate1],oldpop.pop_chrom[mate2],tmp1,tmp2) ;chromCost(tmp1); //计算适应度chromCost(tmp2);if(tmp1.fitness > gene1.fitness){gene1 = tmp1;flag1 = true;}if(tmp2.fitness > gene2.fitness){gene2 = tmp2;flag2 = true;}if((flag1==true && flag2==true) || count> 50){newpop.pop_chrom[j] = gene1;newpop.pop_chrom[j+1] = gene2;break;}count++;}}else{newpop.pop_chrom[j].chrom_gene = oldpop.pop_chrom[mate1].chrom_gene;newpop.pop_chrom[j+1].chrom_gene = oldpop.pop_chrom[mate2].chrom_gene;chromCost(newpop.pop_chrom[j]);chromCost(newpop.pop_chrom[j+1]);}pick = float(randomInt(0,1000))/1000;if(pick < pmutation) //变异操作{int count = 0;do{tmp = newpop.pop_chrom[j].fitness;mutation(newpop.pop_chrom[j]);chromCost(newpop.pop_chrom[j]); //计算适应度count++;}while(tmp > newpop.pop_chrom[j].fitness && count < 50);}pick = float(randomInt(0,1000))/1000;if(pick < pmutation) //变异操作{int count = 0;do{tmp = newpop.pop_chrom[j+1].fitness;mutation(newpop.pop_chrom[j+1]);chromCost(newpop.pop_chrom[j+1]); //计算适应度count++;}while(tmp > newpop.pop_chrom[j+1].fitness && count < 50);}//chromCost(newpop.pop_chrom[j]); //计算适应度//chromCost(newpop.pop_chrom[j+1]);j += 2;}while(j < popsize-1);popCost(newpop); //计算新种群的适应度之和}//输出一条染色体信息inline void outChrom(Chrom& chr){cout<<endl<<"路径:";for(int i=0;i<lchrom;i++){cout<<chr.chrom_gene[i]->name;}cout<<endl<<"回路总开销:"<<chr.varible<<endl;cout<<"适应度:"<<chr.fitness<<endl;}int main(){cout<<"*************用遗传算法解决TSP问题******************"<<endl;cout<<"*************** E01114336 朱蓉蓉******************"<<endl;stringnames[lchrom]={"A","B","C","D","E","F","G","H","I","J","K","L","M","N", "O","P","Q","R","S","T"};//基因（城市）名称//用矩阵保存各城市间的路程开销float dist[lchrom][lchrom] ={{0, 1, 4, 6, 8, 1, 3, 7, 2, 9, 7, 3, 4, 5, 8, 9, 2, 8, 2, 8},{1, 0, 7, 5, 3, 8, 3, 4, 2, 4, 4, 6, 2, 8, 2, 9, 4, 5, 2, 1},{4, 7, 0, 3, 8, 3, 7, 9, 1, 2, 5, 8, 1, 8, 9, 4, 7, 4, 8, 4},{6, 5, 3, 0, 3, 1, 5, 2, 9, 1, 3, 5, 7, 3, 4, 7, 3, 4, 5, 2},{8, 3, 8, 3, 0, 2, 3, 1, 4, 6, 3, 8, 4, 5, 2, 8, 1, 7, 4, 7},{1, 8, 3, 1, 2, 0, 3, 3, 9, 5, 4, 5, 2, 7, 3, 6, 2, 3, 7, 1},{3, 3, 7, 5, 3, 3, 0, 7, 5, 9, 3, 4, 5, 9, 3, 7, 3, 2, 8, 1},{7, 4, 9, 2, 1, 3, 7, 0, 1, 3, 4, 5, 2, 7, 6, 3, 3, 8, 3, 5},{2, 2, 1, 9, 4, 9, 5, 1, 0, 1, 3, 4, 7, 3, 7, 5, 9, 2, 1, 7},{9, 4, 2, 1, 6, 5, 9, 3, 1, 0, 3, 7, 3, 7, 4, 9, 3, 5, 2, 5},{7, 4, 5, 3, 3, 4, 3, 4, 3, 3, 0, 5, 7, 8, 4, 3, 1, 5, 9, 3},{3, 6, 8, 5, 8, 5, 4, 5, 4, 7, 5, 0, 8, 3, 1, 5, 8, 5, 8, 3},{4, 2, 1, 7, 4, 2, 5, 2, 7, 3, 7, 8, 0, 5, 7, 4, 8, 3, 5, 3},{5, 8, 8, 3, 5, 7, 9, 7, 3, 7, 8, 3, 5, 0, 8, 3, 1, 8, 4, 5},{8, 2, 9, 4, 2, 3, 3, 6, 7, 4, 4, 1, 7, 8, 0, 4, 2, 1, 8, 4},{9, 9, 4, 7, 8, 6, 7, 3, 5, 9, 3, 5, 4, 3, 4, 0, 4, 1, 8, 4},{2, 4, 7, 3, 1, 2, 3, 3, 9, 3, 1, 8, 8, 1, 2, 4, 0, 4, 3, 7},{8, 5, 4, 4, 7, 3, 2, 8, 2, 5, 5, 5, 3, 8, 1, 1, 4, 0, 2, 6},{2, 2, 8, 5, 4, 7, 8,3, 1, 2, 9, 8, 5, 4, 8, 8, 3, 2, 0, 4},{8, 1, 4, 2, 7, 1, 1, 5, 7, 5, 3, 3, 3, 5, 4, 4, 7, 6, 4, 0}};//初始化基因(所有基因都保存在genes中)int i,j;for(i=0;i<lchrom;i++){genes[i].name =names[i];for(j=0;j<lchrom;j++){genes[i].linkCost[&genes[j]] = dist[i][j];}}//输出配置信息cout<<"\n染色体长度:"<<lchrom<<"\n种群大小:"<<popsize<<"\n交叉率:"<<pcross<<"\n变异率:"<<pmutation;cout<<"\n最大世代数:"<<maxgen<<"\n总运行次数:"<<maxruns<<"\n路径最大连接开销:"<<max_var<<endl;//输出路径信息cout<<endl<<" ";for(i=0;i<lchrom;i++)cout<<genes[i].name<<" ";cout<<endl;for(i=0;i<lchrom;i++){cout<<genes[i].name<<":";for(j=0;j<lchrom;j++){cout<<genes[i].linkCost[&genes[j]]<<" ";}cout<<endl;}cout<<endl;int best;Chrom bestChrom; //全部种群中最佳染色体bestChrom.fitness = 0;float sumVarible = 0;float sumFitness = 0;//运行maxrns次for(run = 1;run<=maxruns;run++){initpop(oldpop); //产生初始种群//通过不断进化，直到达到最大世代数for(gen = 1;gen<=maxgen;gen++){generation(oldpop,newpop); //从当前种群产生新种群oldpop.pop_chrom.swap(newpop.pop_chrom);oldpop.sumfitness = newpop.sumfitness;newpop.pop_chrom.clear();}best = chooseBest(oldpop); //本次运行得出的最佳染色体if(oldpop.pop_chrom[best].fitness > bestChrom.fitness)bestChrom = oldpop.pop_chrom[best];sumVarible += oldpop.pop_chrom[best].varible;sumFitness += oldpop.pop_chrom[best].fitness;cout<<run<<"次"<<"Best:";outChrom(oldpop.pop_chrom[best]); //输出本次运行得出的最佳染色体cout<<endl;oldpop.pop_chrom.clear();}cout<<endl<<"一条最佳染色体:";outChrom(bestChrom); //输出全部种群中最佳染色体cout<<endl<<endl<<"最佳染色体平均开销:"<<sumVarible/maxruns;cout<<endl<<"最佳染色体平均适应度:"<<sumFitness/maxruns<<endl;system("PAUSE");return 0;}实验结果截图：。
tsp问题求解
计算机科学与工程学院
《进化计算》实验报告[2]
专业班级
智能二班
实验时间
学生学号
1205030219
实验地点
J523
学生姓名
谭龙顺
指导教师
赵彤洲
实验项目
用遗传算法解决TSP问题
实验类别
验证性
实验学时
4
实验目的及要求
实验目的：
1、掌握遗传算法的基本思想；
2、使用遗传算法解决实际问题的方法；
实验要求：
具体要求：
城市数=30；
最大迭代次数=500；
交叉概率=80%；
变异概率=5%；
编写代码并写出运算结果
熟练掌握：用VC开发程序的步骤
正确理解：遗传算法的基本思想
使用遗传算法解决TSP问题
成绩评定表
类别
评分标准
分值
得分
合计
上机表现
按时出勤、遵守纪律
认真完成各项实验内容
30分
报告质量
程序代码规范、功能正确
填写内容完整、体现收获
70分
说明：
评阅教师：
日期：2015年月日
实验内容
用遗传算法解决TSP问题。给定测试数据，并对测试结果进行分析。
遗传算法求解TSP问题报告
遗传算法求解TSP问题实验报告一、实验要求：以旅行商问题（TSP）为例做模拟进化搜索技术实验，并提交实验研究报告。
二、实验思路：bool fnCreateRandomGene(); //产生随机基因bool fnGeneAberrance(); //基因变异bool fnGeneMix(); //基因交叉产生新的个体测试并淘汰适应度低的个体bool fnEvalAll(); //测试所有基因的适应度int fnEvalOne(T &Gene); //测试某一个基因的适应度void Crossover( int nFatherA, int nFatherB);void fnDispProbability(); //显示每个个体的权值Crossover()——两染色体的交叉实现输入参数：1、nFatherA 父染色体A2、nFatherB 父染色体B3、nMode 交叉方式返回值：空注：现有交叉方式1、常规交叉方式，该方式比《现代计算方法》（邢文训等编著）p178给出的“非常规码的常规交配法”稍复杂些。
书中只随机选择一个交配位，两个后代交配位之前的基因分别继承双亲的交配位之前的基因。
本程序中，是随机选择两个不相同的交配位，后代在这两个交配位之间继承双亲在这两个交配位之间的基因如父A 1 2 3 | 4 5 6 7 | 8 9 10父B 4 7 8 | 3 2 5 9 | 1 6 10子A 8 3 2 | 4 5 6 7 | 9 1 10子B 1 4 6 | 3 2 5 9 | 7 8 102、贪心交叉方式（Greedy Crossover），具体算法可参见谢胜利,等.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(8):58～245.三、实验代码：#include <fstream>#include<iostream>#include <vector>#include <algorithm>#include<math.h>#include <time.h>#include <stdlib.h>#include "def.h"#include "TSP.h"void main(){ifstream input_file;ofstream output_file;time_t time1,time2;int _GENERATION_AMOUNT;int times;int _CITY_AMOUNT=-1;int ii,j,k;std::vector<double> x;std::vector<double> y;char readfile[50];const char* writefile="tsp.txt";double tempx[10000],tempy[10000];cout<<"打开城市坐标文件：";cin>>readfile;input_file.open(readfile);if(!input_file){cout<<"打开错误！";return;}cout<<"读入城市坐标........"<<endl;while(1){if(!input_file.eof()){_CITY_AMOUNT++;input_file>>tempx[_CITY_AMOUNT]>>tempy[_CITY_AMOUNT];if(tempx[_CITY_AMOUNT]<0||tempy[_CITY_AMOUNT]<0){cout<<"文件格式有误！";return;}}elsebreak;}if( _CITY_AMOUNT==-1){cout<<"文件格式有误！";return;}input_file.close();_CITY_AMOUNT=_CITY_AMOUNT+1;x.reserve(_CITY_AMOUNT);y.reserve(_CITY_AMOUNT);lpCityDistance.reserve(_CITY_AMOUNT*_CITY_AMOUNT);for(k=0;k<_CITY_AMOUNT;k++){x[k]=tempx[k];y[k]=tempy[k];}cout<<"已存入的城市信息为:"<<endl;for(ii=0;ii<_CITY_AMOUNT;ii++)cout<<"第"<<ii+1<<"个城市"<<"("<<x[ii]<<","<<y[ii]<<")"<<endl;lpCityDistance.clear();for(k=0;k<_CITY_AMOUNT;k++){lpCityDistance[k*_CITY_AMOUNT+k]=0;for(j=k+1;j<_CITY_AMOUNT;j++){lpCityDistance[k*_CITY_AMOUNT+j]=lpCityDistance[j*_CITY_AMOUNT+k] =sqrt((x[k]-x[j])*(x[k]-x[j])+(y[k]-y[j])*(y[k]-y[j]));}}cout<<"输入进化代数:"<<endl;cin>>times;cout<<"输入种群大小:(大于城市个数小于10000)"<<endl;cin>> _GENERATION_AMOUNT;while(_GENERATION_AMOUNT>=10000||_GENERATION_AMOUNT<_CITY_AMOUNT){cout<<"种群数输入错误!请重新输入(大于城市个数小于10000)"<<endl;cin>> _GENERATION_AMOUNT;}Csga<_CONTAINER, _CONTAINER_P> CUnit(times,_GENERATION_AMOUNT,_CITY_AMOUNT); //初始化time1=time(NULL);//开始遗传算法if(!CUnit.fnCreateRandomGene()) //产生随机基因//产生随机的基因{exit(0);}//循环基因编译,杂交,淘汰过程CUnit.fnEvalAll(); //测试所有基因的适应度for ( int i = 0; i<times; ++i ){//CUnit.fnDispProbability();//显示每个个体的权值CUnit.fnGeneAberrance(); //基因变异//基因变异//CUnit.fnDispProbability();//显示每个个体的权值CUnit.fnGeneMix();//交叉产生新的个体测试并淘汰适应度低的个体//基因杂交CUnit.fnEvalAll(); //测试所有基因的适应度// 每隔_DISP_INTERV AL显示一次结果if ( (i+1)%_DISP_INTERV AL == 0 || i == 0){cout << "第" << i+1 << "代" <<endl;CUnit.fnDispProbability();CUnit.fnDispHistoryMin();}}CUnit.fnDispHistoryMin();time2=time(NULL);cout<<"\n\n计算用时为:"<<difftime(time2,time1)<<"s"<<endl;}四、实验结果：。
TSP的遗传算法程序实验报告
TSP的遗传算法程序一、实验原理遗传算法的流程如图所示：二、程序的主要思想使用C语言实现TSP的遗传算法根据遗传算法的原理，自定义所需的初始染色体长度、初始群体大小、最大的迭代次数、交叉概率以及变异概率。
初始时生成与染色体长度相同个数的城市，为每个城市随机生成平面坐标，将城市的初始生成的顺序作为初始的路径，即第一条染色体。
计算路径中相邻城市之间的距离，并进行保存。
将生成的城市再进行多次的重新排列，得到多条不同的路径，将这些路径作为初始群体里的染色体，计算每条路径的长度。
通过自定义的适应度函数计算染色体的适应度，通过交叉、变异生成新的种群。
对新种群继续迭代操作，直到达到初始定义的迭代次数，获得最终的路径及路径图。
三、程序的主要步骤①染色体初始化的子函数1)void initialize()2){int k,j,minx,miny,maxx,maxy;3)initdata();4)minx=0;5)miny=0;6)maxx=0;maxy=0;7)for(k=0;k<lchrom;k++)8){x[k]=rand();9)if(x[k]>maxx)maxx=x[k];10)if(x[k]<minx)minx=x[k];11)y[k]=rand();12)if(y[k]>maxy)maxy=y[k];13)if(y[k]<miny)miny=y[k];14)}15)if((maxx-minx)>(maxy-miny))16){maxxy=maxx-minx;}17)else {maxxy=maxy-miny;}18)maxdd=0.0;19)for(k=0;k<lchrom;k++)20)for(j=0;j<lchrom;j++)21){dd[k*lchrom+j]=hypot(x[k]-x[j],y[k]-y[j]);22)if(maxdd<dd[k*lchrom+j])maxdd=dd[k*lchrom+j];23)}24)refpd=dd[lchrom-1];25)for(k=0;k<lchrom;k++)26)refpd=refpd+dd[k*lchrom+k+2];27)for(j=0;j<lchrom;j++)28)dd[j*lchrom+j]=4.0*maxdd;29)ff=(0.765*maxxy*pow(lchrom,0.5));30)minpp=0;31)min=dd[lchrom-1];32)for(j=0;j<lchrom-1;j++)33){if(dd[lchrom*j+lchrom-1]<min)34){min=dd[lchrom*j+lchrom-1];35)minpp=j;36)}37)}38)initpop();39)statistics(oldpop);40)initreport();41)}7） for(k=0;k<lchrom;k++)8） {x[k]=rand();9） if(x[k]>maxx)maxx=x[k];10）if(x[k]<minx)minx=x[k];11）y[k]=rand();12）if(y[k]>maxy)maxy=y[k]13）if(y[k]<miny)miny=y[k];14）}此段程序是初始化多个城市的坐标值（x,y），其中（x[k],y[k]）代表第k+1个城市的坐标值，也相当于初始染色体的第k+1个基因值。
遗传算法求解TSP问题实验报告(仅供参照)
人工智能实验报告实验六遗传算法实验II一、实验目的：熟悉和掌握遗传算法的原理、流程和编码策略，并利用遗传求解函数优化问题，理解求解TSP问题的流程并测试主要参数对结果的影响。
二、实验原理：旅行商问题，即TSP问题（Traveling Salesman Problem）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，他必须选择所要走的路径，路经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。
TSP问题是一个组合优化问题。
该问题可以被证明具有NPC计算复杂性。
因此，任何能使该问题的求解得以简化的方法，都将受到高度的评价和关注。
遗传算法的基本思想正是基于模仿生物界遗传学的遗传过程。
它把问题的参数用基因代表，把问题的解用染色体代表（在计算机里用二进制码表示），从而得到一个由具有不同染色体的个体组成的群体。
这个群体在问题特定的环境里生存竞争，适者有最好的机会生存和产生后代。
后代随机化地继承了父代的最好特征，并也在生存环境的控制支配下继续这一过程。
群体的染色体都将逐渐适应环境，不断进化，最后收敛到一族最适应环境的类似个体，即得到问题最优的解。
要求利用遗传算法求解TSP问题的最短路径。
三、实验内容：1、参考实验系统给出的遗传算法核心代码，用遗传算法求解TSP的优化问题，分析遗传算法求解不同规模TSP问题的算法性能。
2、对于同一个TSP问题，分析种群规模、交叉概率和变异概率对算法结果的影响。
3、增加1种变异策略和1种个体选择概率分配策略，比较求解同一TSP问题时不同变异策略及不同个体选择分配策略对算法结果的影响。
4、上交源代码。
四、实验报告要求：1、画出遗传算法求解TSP问题的流程图。
2、分析遗传算法求解不同规模的TSP问题的算法性能。
规模越大，算法的性能越差，所用时间越长。
3、对于同一个TSP问题，分析种群规模、交叉概率和变异概率对算法结果的影响。
现代优化计算方法研究报告——遗传算法解决TSP问题
现代优化计算方法研究报告——遗传算法解决TSP问题授课老师：专业：学号：姓名：摘要旅行商问题（TSP）是典型的NP完全问题，遗传算法是解决NP完全问题的一种常用算法。
本文首先简要介绍了TSP问题和遗传算法，然后用遗传算法对TSP问题进行了求解，并在MATLAB上进行了编程实现。
最后探讨了遗传算法解决TSP问题的一些特点。
关键词：TSP问题；遗传算法；MATLAB目录摘要 (2)目录 (3)1 旅行商问题 (4)1.1 旅行商问题简介 (4)1.2 TSP的数学描述 (4)2 遗传算法 (4)2.1 遗传算法简介 (4)2.2 遗传算法的步骤 (5)3 遗传算法求解TSP问题 (5)3.1 初始群体和适应度函数 (6)3.2 城市的位置和城市间的距离 (6)3.3 交叉和变异 (6)3.4 种群的更新和迭代终止条件 (6)4 MATLAB仿真以及运行结果 (7)5 总结 (7)附件——MATLAB程序代码 (8)1 旅行商问题1.1 旅行商问题简介旅行商问题（traveling salesman problem,TSP ）是一个有名的、典型的、易于描述却难以求解的组合优化问题。
TSP 已被证明具有NPC 计算复杂性，并且许多实际问题都可以转化为TSP 。
它是一个具有广泛的实用背景和重要的理论价值的组合优化难题。
1.2 TSP 的数学描述一个商人欲到n 个城市推销商品，每两个城市i 和j 之间的距离为ij d ，如何选择一条道路使得商人每个城市走一遍后回到起点且所走路径最短？ TSP 可以细分为对称和非对称距离两大类问题。
当j i d d ji ij ,,∀=时，称为对称距离TSP ，否则为飞对称距离TSP 。
对于一般的TSP ，一种数学模型描述为∑≠ji ij ij x d min （1-1）∑===n j ij n i xt s 1,,2,1,1.. （1-2） ∑===ni ij n j x1,,2,1,1 （1-3） ∑∈⊂-≤≤-≤S j i ij n S n S S x ,},,2,1{,2||2,1|| （1-4）j i n j i x ij ≠=∈,,,1,},1,0{ （1-5）以上是基于图论的数学模型，其中式（1-5）中的决策变量1=ij x 表示商人行走的路线包含从城市i 到城市j 的路径，0=ij x 表示商人没有选择走这条路。
遗传算法求解TSP问题实验报告
一、 实验目的加深对逻辑程序运行机理的理解，掌握MATLAB 语言的特点、熟悉其编程环境，同时为后面的人工智能程序设计做好准备。
1、熟悉MATLAB 语言编程环境的使用；2、了解MATLAB 语言中常量、变量的表示方法；3、了解利用MATLAB 进行事实库、规则库的编写方法；二、 实验环境计算机 哈尔滨工程大学计算机学院实验室三、 预习要求实验前应阅读实验指导书，了解实验目的、预习MATLAB 语言的相关知识。
四、 实验内容1、学习使用MATLAB ，包括进入MATLAB 主程序、编辑源程序、修改环境目录、退出等基本操作。
2、在MATLAB 集成环境下调试运行简单的MATLAB 程序，如描述亲属关系的MATLAB 程序或其他小型演绎数据库程序等。
五、 实验方法和步骤步骤一 针对TSP 问题，确定编码。
可采用十进制编码法，对城市进行编号，每个城市分别用1到n 之间不同的整数表示，n 个整数的一个排列就代表了旅行商问题。
步骤二 针对TSP 问题，适应度函数可定义为：其中d （ci ，ci+1）表示相邻城市之间的距离。
步骤三 针对TSP 问题，确定交叉规则。
对于采用整数编码表示的染色体，可以有以下交叉规则：（1）常规交叉法 ∑=+=n i i i c c d s f 11),(1)(设有父代1和父代2，交配后产生子代1和子代2。
随机选取一个交配位，子代1交配位之前的基因选自父代1交配位之前的基因，交配位之后的基因，从父代2中按顺序选取那些没有出现过的基因。
子代2也进行类似的处理。
交叉位（黑色所示为交叉位）父代1： 1 2 3 4 5 6 7 8父代2： 5 2 1 7 3 8 6 4子代1： 1 2 3 4 5 7 8 6子代2： 5 2 1 7 3 4 6 8步骤四确定变异规则，以下三种变异规则可任选一种。
（1）基于位置的变异：该方法随机地产生两个变异位，然后将第二个变异位上的基因移动到第一个变异位之前。
2023年基于遗传算法求解TSP问题实验报告
基于遗传算法求解TSP问题班级, 学号, 姓名摘要: 巡回旅行商问题（TSP）是一种组合优化方面旳问题, 从理论上讲, 使用穷举法不仅可以求解TSP问题, 并且还可以得到最优解。
不过, 运用穷举法所花费旳时间巨大旳, 当问题旳规模很大时, 穷举法旳执行效率较低, 不能满足及时旳需要。
遗传算法是计算机科学人工智能领域中用于处理最优化旳一种搜索启发式算法, 是进化算法旳一种。
该算法通过模拟生物学交叉、变异等方式, 是目前向最优解旳方向进化, 因此使用于TSP问题旳求解。
关键词: 人工智能；TSP问题；遗传算法本组组员: 林志青, 韩会雯, 赵昊罡本人分工：掌握遗传算法旳基本原理, 编写遗传算法中部分匹配交叉、循环交叉和循序交叉旳详细实现过程。
1 引言旅行商问题, 即TSP问题, 是一种最优解旳求解问题。
假设有n个都市, 并且每个都市之间旳距离已知, 则怎样只走一遍并获得最短途径为该问题旳详细解释。
对于TSP问题旳处理, 有穷举法、分支限界法等求解方式, 该文章重要简介遗传算法求解过程。
遗传算法简称GA, 在本质上是一种求解问题旳高效并行全局搜索措施。
遗传算法从任意一种初始化旳群体出发, 通过随机选择、交叉和变异等遗传操作, 使群体一代一代旳进化到搜索空间中越来越好旳区域, 直至抵达最优解。
在遗传算法中, 交叉操作为重要操作之一, 包括部分匹配交叉、循环交叉和次序交叉等。
2 算法原理与系统设计执行遗传算法, 根据需要设定对应旳交叉因子、变异因子和迭代次数, 并选择对应旳交叉算法,当程序图形显示并运算时会得到目前旳最优解, 判断与否获得最终旳最优解, 若已得到所需成果, 则停止运行, 否则继续执行。
详细流程图如下所示:部分匹配交叉（PMX）: 先随机生成两个交叉点, 定义这两点间旳区域为匹配区域, 并互换两个父代旳匹配区域。
如下图所示:父代A: 872 | 130 | 9546父代B: 983 | 567 | 1420互换后变为:temp A: 872 | 567 | 9546temp B: 983 | 130 | 1420对于 temp A.tempB中匹配区域以外出现旳数码反复, 要根据匹配区域内旳位置逐一进行替代。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
矿产资源开发利用方案编写内容要求及审查大纲
矿产资源开发利用方案编写内容要求及《矿产资源开发利用方案》审查大纲一、概述
㈠矿区位置、隶属关系和企业性质。
如为改扩建矿山, 应说明矿山现状、
特点及存在的主要问题。
㈡编制依据
(1简述项目前期工作进展情况及与有关方面对项目的意向性协议情况。
(2 列出开发利用方案编制所依据的主要基础性资料的名称。
如经储量管理部门认定的矿区地质勘探报告、选矿试验报告、加工利用试验报告、工程地质初评资料、矿区水文资料和供水资料等。
对改、扩建矿山应有生产实际资料, 如矿山总平面现状图、矿床开拓系统图、采场现状图和主要采选设备清单等。
二、矿产品需求现状和预测
㈠该矿产在国内需求情况和市场供应情况
1、矿产品现状及加工利用趋向。
2、国内近、远期的需求量及主要销向预测。
㈡产品价格分析
1、国内矿产品价格现状。
2、矿产品价格稳定性及变化趋势。
三、矿产资源概况
㈠矿区总体概况
1、矿区总体规划情况。
2、矿区矿产资源概况。
3、该设计与矿区总体开发的关系。
㈡该设计项目的资源概况
1、矿床地质及构造特征。
2、矿床开采技术条件及水文地质条件。