【正文】 i++) { random = ()。 } } } } /** * 變異 在一個(gè)個(gè)體的城市序列中隨機(jī)取兩個(gè)位置交換 */ public void mutate() { double random。 k++) { if (k != i amp。 population[x].citys[j] == population[x].citys[i]) { population[x].citys[j] = tempX。 // 修復(fù)個(gè)體X for (int j = 1。 i++) { int tempX = population[x].citys[i]。 } } /** * 雙切點(diǎn)交叉函數(shù) */ private void doublePointCrossover(int x, int y) { // 第一個(gè)切點(diǎn)在0到cityNum1之間隨機(jī)選擇 int location1 = (int) (() * (cityNum 1)) + 1。 while (true) { y = (int) (() * popSize)。 } } } /** * 交叉主體函數(shù) */ public void crossover() { int x = 1。 j cityNum。 j++) { population[i].citys[j] = bestPopualtion[0].citys[j]。 for (int i = 0。 i popSize。 i popSize。 i popSize。 for (int i = 0。 } } population[0].calFitness()。 population[i].citys[j] = num[r]。 } int temp = cityNum。 int[] num = new int[cityNum]。 i popSize。 ()。 int x = ()。 } FileInputStream fis。 (j + 1) != null) {distance[i][j] = (i + 1).calDistance((j + 1))。 i++) { for (int j = 0。 distance = new double[cityNum][cityNum]。 } catch (FileNotFoundException e) { ()。 } private void initFileStresm() { outFile = new File(./)。 // 由前面各次迭代取得的最優(yōu)解組成的種群，最前面一個(gè)是當(dāng)前最優(yōu)解private Genotype[] bestPopualtion = new Genotype[bestPopSize]。 // 計(jì)算期望概率 = (double) ( * popSize)。 } // 再加上節(jié)點(diǎn)n1和節(jié)點(diǎn)0之間的距離 +=distance[[0]][[cityNum 1]]。 /** * 計(jì)算基因適應(yīng)度 */ public void calFitness() { = 0。 /** 個(gè)體的選擇概率 */ private double selectP。 /** 算法輸出文件 */ private File outFile。 /** 變異概率 */ private double initPmultation = 。 /** 城市個(gè)數(shù) */ private int cityNum。import 。import 。參考文獻(xiàn)[1] 馬玉明，賀愛(ài)玲，李愛(ài)民．遺傳算法的理論研究綜述[J]． 山東輕工業(yè)學(xué)院學(xué)報(bào)， 2004，18(3)：77～80．[2] [3] 李敏強(qiáng)，寇紀(jì)淞，林丹，李書(shū)全．遺傳算法的基本理論與應(yīng)用[M]．北京：科學(xué)出版社，2002：1516．[3] [4] 谷峰，吳勇，唐?。z傳算法的改進(jìn)．微機(jī)發(fā)展，2003，13(6)：80、885．[5] 周春光，梁艷春．計(jì)算智能（第三版）[M]．吉林大學(xué)出版社，2009：第三篇進(jìn)化計(jì)算．[6] 馬立肖，王江晴． 遺傳算法在組合優(yōu)化問(wèn)題中的應(yīng)用[J]．計(jì)算機(jī)工程與科學(xué)，2005，27(7)：72～782．[7] 王煦法．遺傳算法及其應(yīng)用[J]．小型微型計(jì)算機(jī)系統(tǒng)，1995，16(2)：5964．[8] 張樹(shù)波．一種用于多種生物序列比對(duì)的協(xié)同進(jìn)化算法[J]．計(jì)算機(jī)應(yīng)用與軟件，2010，27(8)：3740．[9] HanadaK, YokoyamaT, ShimizuT. Multiplesequencealignment bygeneticalgorithm[ J]. GenomeInformatics, 2000, 11: 317318.[10] 。在學(xué)習(xí)遺傳算法之前，我非常自信的認(rèn)為像遺傳算法這種隨機(jī)搜索算法求解組合優(yōu)化問(wèn)題所求得的解應(yīng)該會(huì)非常的不穩(wěn)定，波動(dòng)范圍很大。遺傳算法由于具有魯棒性（Robust）強(qiáng)，實(shí)現(xiàn)簡(jiǎn)單，對(duì)問(wèn)題依賴性小、便于并行分布處理等優(yōu)點(diǎn)，為求解復(fù)雜系統(tǒng)優(yōu)化問(wèn)題提供了通用框架，被廣泛的應(yīng)用在：函數(shù)優(yōu)化、組合優(yōu)化、生產(chǎn)調(diào)度、自動(dòng)控制、圖像處理和模式識(shí)別、人工生命、遺傳程序設(shè)計(jì)、機(jī)器學(xué)習(xí)、多重序列比對(duì)等領(lǐng)域。我們將前者稱為遺傳算法的隨機(jī)模型理論（stochastic modeling），后者稱為遺傳算法的進(jìn)化動(dòng)力學(xué)理論（evolution dynamics）。在這次畢業(yè)設(shè)計(jì)中我掌握了遺傳算法的基本實(shí)現(xiàn)技術(shù)，還實(shí)現(xiàn)了求解TSP的改進(jìn)遺傳算法。從前面倒序算子、插入算子、交換變異算子的實(shí)現(xiàn)可以知道：倒序變異引發(fā)的位串上基因位置變化最大，其次是插入算子，交換變異算子因?yàn)閮H有有兩個(gè)基因的位置發(fā)生互換，因此變化最小。本文中的改良遺傳算法設(shè)置參數(shù)如下：種群大小50，最大迭代次數(shù)：6000，交叉概率：，初始變異概率：；模擬退火算法采用文獻(xiàn)[13]中的算法，其實(shí)溫度T=100000，終止溫度T0=1，退火速度α=；基本遺傳算法程序采用MATLAB的遺傳算法工具箱[14]，參數(shù)如下：染色體個(gè)數(shù)N=30，交叉概率Pc=，變異概率Pm=，迭代次數(shù)100。第四章　求解TSP的實(shí)驗(yàn)結(jié)果分析硬件：gateway Nv4426c筆記本電腦，配置如下：CPU：Pentium174。 } population[index].citys[loc1] = temp。 } } 插入變異算子private void insertMutate(int index, int loc1, int loc2) { int temp = population[index].citys[loc2]。 int distances = loc2 center。 } } } } 交換變異算子：private void exchangeMutate(int index, int loc1, int loc2) { int temp = population[index].citys[loc1]。 case 1: // 采用倒序的方式變異 backMutate(i, loc1, loc2)。 loc1 = loc。 if (random population[i].pmultation) { loc1 = (int) (() * (cityNum 1)) + 1。 int loc1,loc2。本算法的變異操作由交換變異、倒序變異和插入變異三種變異算子混合。amp。 break。 j cityNum。 int tempY = population[y].citys[i]。 // 第二個(gè)切點(diǎn)在location1+1到cityNum之間隨機(jī)選擇 int location2 = (int) (() * (cityNum location1 1))+ location1 + 1。 // 防止自己與自己交叉 if (y != x)break。 int y = 1。 } } }本算法采用雙切點(diǎn)交叉算子。 j cityNum。 j++) { population[i].citys[j]=bestPopualtion[0].citys[j]。 for (int i = 0。 } } }其中沒(méi)有被選擇(isSelected=false)的個(gè)體就是被淘汰掉的個(gè)體。 } }根據(jù)期望概率淘汰掉當(dāng)前種群中部分適應(yīng)度較差的個(gè)體： private void calIsSelected() { for (int i = 0。 計(jì)算種群適應(yīng)度之和的代碼： private void calfitnessSum() { fitnessSum = 0。 // 計(jì)算選擇概率 } = 0。// 由前面各次迭代取得的最優(yōu)解組成的種群，最前面一個(gè)是當(dāng)前最優(yōu)解private Genotype[] bestPopualtion = new Genotype[popSize]。 j cityNum 1。 temp。 j cityNum。 j cityNum。采用的種群初始化策略為隨機(jī)初始化。初始變異率：發(fā)生變異的基因位數(shù)所占全體個(gè)體的基因總位數(shù)的比例，~。范圍一般取600060000。 個(gè)體的適應(yīng)度：本算法使用巡回當(dāng)前位串表示的城市訪問(wèn)順序的總距離（包括回到起點(diǎn)）表示個(gè)體的適應(yīng)度，因此適應(yīng)度值越小表示適應(yīng)度越好。如：一染色體X的順序?qū)崝?shù)編碼為（2 3 1 5 4 7 6 8），解碼就是要把相鄰兩點(diǎn)的距離進(jìn)行求和，具體地說(shuō)就是要把2與3，3與1，1與5，5與4，4與7，7與6，6與8,8與2之間的距離相加，相加的結(jié)果就是由解碼得到的路徑長(zhǎng)度。例如n=8時(shí)，位串：Xt= [2 3 1 5 4 7 6 8] 表示231547682的一條旅行路線這種編碼是問(wèn)題能得到自然表示，相當(dāng)方便。也正因?yàn)門(mén)SP是一個(gè)NP難問(wèn)題，使用窮舉法求解城市個(gè)數(shù)較多（如100個(gè)以上）的TSP是不可能的（需要的時(shí)間極長(zhǎng)）。因此這是一個(gè)NP難問(wèn)題。 旅行商問(wèn)題概述 旅行商問(wèn)題的描述顧名思義，旅行商問(wèn)題（Traveling salesman problem簡(jiǎn)稱TSP）就是有一個(gè)推銷員，要到n個(gè)城市推銷商品，最后再回到出發(fā)點(diǎn)，為了節(jié)約時(shí)間和成本，他想找出一個(gè)包含所有n個(gè)城市并且總路徑（包括回到出發(fā)點(diǎn)）最短的環(huán)路。這樣就保證了當(dāng)前最優(yōu)個(gè)體不會(huì)丟失，加快了算法的收斂速度。其它常見(jiàn)的變異操作如：倒序（位串上的某一段基因位置反轉(zhuǎn)）、插入（位串上的某一個(gè)基因被插入到位串中的其它位置）。循環(huán)交叉操作的具體步驟如下：選P1的第一個(gè)元素作為C1的第一個(gè)元素；選P2的第一個(gè)元素作為C2的第一個(gè)元素；在P1中找P2的第一個(gè)元素賦給C1的相對(duì)位置……重復(fù)此過(guò)程，直到P2上得到P1的第一個(gè)元素為止，稱為一個(gè)循環(huán)；對(duì)最前的基因按PP2基因輪替原則重復(fù)以上過(guò)程；重復(fù)以上過(guò)程，直至所有位已完成。P1和P2其中稱為父代染色體，C1和C2稱為子代染色體。賭輪選擇的基本思想：做一個(gè)輪盤(pán)，然后按照各個(gè)染色體的個(gè)體適應(yīng)度比例轉(zhuǎn)化為選中概率(選擇概率)，將輪盤(pán)分成若干個(gè)扇區(qū)，隨機(jī)地產(chǎn)生「0, 1 ]之間的隨機(jī)數(shù)，這樣就相當(dāng)于轉(zhuǎn)動(dòng)輪盤(pán)，獲得轉(zhuǎn)盤(pán)停止時(shí)指針位置，指針停止在某一扇區(qū)，該扇區(qū)代表的個(gè)體即被選中。（3） 根據(jù)最優(yōu)問(wèn)題的類型，由目標(biāo)函數(shù)值按一定的轉(zhuǎn)換規(guī)則求出個(gè)體的適應(yīng)度。遺傳算法的一個(gè)特點(diǎn)是它僅使用所求問(wèn)題的目標(biāo)函數(shù)值就可以得到下一步的有關(guān)搜索信息。對(duì)生存環(huán)境適應(yīng)程度較好的物種將有更多的繁殖機(jī)會(huì)；而對(duì)生存環(huán)境適應(yīng)度較差的物種，其繁殖機(jī)會(huì)就相對(duì)較少，甚至?xí)饾u滅絕。Pm：變異概率。如：Xt=[C1,C2,C3,…,Cn]就表示順序訪問(wèn)城市C1，C2，C3，....,Cn。編碼原則二（最小字符集編碼原則）： 應(yīng)使用能使問(wèn)題得到自然表示或描述的具有最小編碼字符集的編碼方案。 end whileend //算法結(jié)束 基本遺傳算法的實(shí)現(xiàn) 在遺傳算法的運(yùn)行過(guò)程中，它不對(duì)所求解問(wèn)題的實(shí)際決策變量自己進(jìn)行操作，而是對(duì)表示可行解的個(gè)體編碼施加選擇、交叉、變異等遺傳運(yùn)算，通過(guò)這種遺傳操作來(lái)達(dá)到優(yōu)化的目的，這是遺傳算法的特點(diǎn)之一。 end for for i=1 to M do //執(zhí)行選擇算子//選擇當(dāng)前種群中的優(yōu)良個(gè)體并復(fù)制到下一代種群，進(jìn)行下一輪遺傳操作 Select operation to P(t)。 基本遺傳算法描述基本遺傳算法可定義為一個(gè)8元組：SGA=（C,E,P0,M,O,R,W,T） (21)式中：C ——個(gè)體的編碼方法；E——個(gè)體適應(yīng)度評(píng)價(jià)函數(shù)；P0——初始種群；M——種群大?。籓——選擇算子；R——交叉算子；W——變異算子；T——算法終止條件； 圖 21 SGA流程圖基本遺傳算法(SGA)流程如下：（1） 隨機(jī)初始化種群（2） 計(jì)算種群中各個(gè)個(gè)體的適應(yīng)度（3）根據(jù)個(gè)體的適應(yīng)度選擇優(yōu)良的個(gè)體保留下來(lái)，作為下一代種群，并保持種群大小不變（使用優(yōu)良個(gè)體的位串覆蓋被淘汰被的個(gè)體的位串）。這樣，由不同的編碼方法和不同的遺傳算子就構(gòu)成了各種不同的遺傳算法。擬解決的問(wèn)題主要有