遗传算法解决旅行商问题matlab

用遗传算法解决旅行商问题

关键词：旅行商问题，遗传算法，交叉，变异，

1.引言

假如有一个推销员，要到n 个 城市推销商品，他要找出一个包含所有n个城的路径并且这条路径必须经过所有城市，不重复，且要求最短，那该如何呢？

2.问题概述

所谓旅行商问题是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。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。如图所示红点为城市。从某城市出发，一直到走完所有城市，要求是不重复，路径要求段。

解决此问题要用 遗传算法

3．遗传算法

1）遗传算法的介绍

遗传算法是一种模拟生命进化机制的搜索和优化方法，是把自然遗传学和计算机科学结合起来的优化方程，有很强的解决问题的能力和广泛的适应性。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。每一步，根据给定的适应度评估当前群体的假设，

基于遗传算法对TSP问题的研究

摘 要：作为一种模拟生物自然遗传与进化过程的优化方法,遗传算法(GA)因其具有隐并行性、不需目标函数可微等特点,常被用于解决一些传统优化方法难以解决的问题。旅行商问题(TSP)是典型的NP难题组合优化问题之一,且被广泛应用于许多领域,所以研究遗传算法求解TSP具有重要的理论意义和应用价值。

关键字： 遗传算法 旅行商问题

Abstract：Genetic algorithm(GA) which has the characteristic of latent parallelism, non-differentiability of objective function and so on, as a optimization method of simulating the process of natural biotic inherit and evolution, is used to solve some problems which are difficult to solve by the traditional optimization method. Travel salesman prob

MATLAB多旅行商问题源代码

functionvarargout = mtspf_ga(xy,dmat,salesmen,min_tour,pop_size,num_iter,show_prog,show_res)

% MTSPF_GA Fixed Multiple Traveling Salesmen Problem (M-TSP) Genetic Algorithm (GA) % Finds a (near) optimal solution to a variation of the M-TSP by setting % up a GA to search for the shortest route (least distance needed for % each salesman to travel from the start location to individual cities % and back to the original starting place) %

% Summary:

% 1. Each salesman starts at the first point, and ends

MATLAB多旅行商问题源代码

functionvarargout = mtspf_ga(xy,dmat,salesmen,min_tour,pop_size,num_iter,show_prog,show_res)

% MTSPF_GA Fixed Multiple Traveling Salesmen Problem (M-TSP) Genetic Algorithm (GA) % Finds a (near) optimal solution to a variation of the M-TSP by setting % up a GA to search for the shortest route (least distance needed for % each salesman to travel from the start location to individual cities % and back to the original starting place) %

% Summary:

% 1. Each salesman starts at the first point, and ends

基于蚁群算法的旅行商问题解决方案

一 引言

旅行商问题（TSP, Traveling Salesman Problem）是在1859年由威廉·汉密尔顿爵士首次提出的，它是物流领域中的典型问题，这个问题的求解具有十分重要的理论和现实意义。所谓TSP问题是指：有N个城市，要求旅行商到达每个城市各一次，且仅一次，并回到起点，且要求旅行路线最短。这是一个典型的优化问题，对一个具有中等顶点规模的图来说，精确求解也是很复杂的，计算量随着城市个数的增加而呈指数级增长，即属于所谓的 NP问题。TSP在工程领域有着广泛的应用 ，并常作为比较算法性能的标志。如网络通讯、货物运输、电气布线、管道铺设、加工调度、专家系统、柔性制造系统等方面，都是TSP广泛应用的领域。求解算法包括贪婪法（GM）、极小代数法（MA）、模拟退火法（SA）和遗传算法（GA）等。而应用蚁群算法求解旅行商问题是近年来研究的新方向，由于其并行性与分布性，特别适用于大规模启发式搜索，实验结果证明了其可行性和有效性。

二 蚁群系统基本原理

在蚂蚁群找到食物时，它们总能找到一条从食物到巢穴之间的最优路径。这是因为蚂蚁在寻找路径时会在路径上释放出一种特殊的信息素（phero-mone）。当它们

完整可以运行的数值优化遗传算法源代码

function [X,MaxFval,BestPop,Trace]=fga(FUN,bounds,MaxEranum,PopSize,options,pCross,pMutation,pInversion)

% [X,MaxFval,BestPop,Trace]=fga(FUN,bounds,MaxEranum,PopSize,options,pCross,pMutation,pInversion)

% Finds a maximum of a function of several variables.

% fga solves problems of the form:

% max F(X) subject to: LB <= X <= UB (LB=bounds(:,1),UB=bounds(:,2))

% X - 最优个体对应自变量值

% MaxFval - 最优个体对应函数值

% BestPop - 最优的群体即为最优的染色体群

% Trace - 每代最佳个体所对应的目标函数值

% FUN

介绍遗传算法MATLAB程序设计

摘自 Matlab在数学建模中的应用， 北航出版社，2011.4

4.2遗传算法MATLAB程序设计

4.2.1程序设计流程及参数选取 4.2.1.1遗传算法程序设计伪代码

BEGIN

t = 0 ; %Generations NO.

初始化P(t) ; %Initial Population or Chromosomes 计算P(t) 的适应值; while (不满足停止准则) do begin t = t+1 ;

从P(t-1)中选择P(t) ; % Selection

重组P(t) ; % Crossover and Mutation 计算P(t) 的适应值; end END

4.2.1.2遗传算法的参数设计原则

在单纯的遗传算法当中，也并不总是收敛，即使在单峰或单调也是如此。这是因为种群的进化能力已经基本丧失，种群早熟。为了避免种群的早熟，参数的设计一般遵从以下原则[5]：

（1）

遗传算法的程序实例

f(x)=10*sin(5x)+7*cos(4x) x∈[0,10] 一、初始化(编码)

initpop.m函数的功能是实现群体的初始化，popsize表示群体的大小，chromlength表示染色体的长度(二值数的长度)，

长度大小取决于变量的二进制编码的长度(在本例中取10位)。 代码:

%Name: initpop.m %初始化

function pop=initpop(popsize,chromlength) pop=round(rand(popsize,chromlength));

% rand随机产生每个单元为 {0,1} 行数为popsize，列数为chromlength的矩阵， % roud对矩阵的每个单元进行圆整。这样产生的初始种群。 二、计算目标函数值

1、将二进制数转化为十进制数(1) 代码:

%Name: decodebinary.m

%产生 [2^n 2^(n-1) ... 1] 的行向量，然后求和，将二进制转化为十进制 function pop2=decodebinary(pop)

[px,py]=size(pop);

遗传算法在调节控制系统参数中的应用

【摘要】自动化控制系统多采用PID控制器来调节系统稳定性和动态性，PID的

Kp,Ki,Kd参数需要合理选择方能达到目标。遗传算法是一种模拟生物进化寻求最优解的有效算法，本文通过利用GAbx工具箱实现对控制电机的PID进行参数优化，利用matlab的仿真功能可以观察控制效果。 1. 直流伺服电机模型 1.1物理模型

图1 直流伺服电机的物理模型

u?---电枢输入电压（V） Ra---电枢电阻（?） LS---电枢电感（H）

uq---感应电动势（V） Tg---电机电磁转矩（N?m） J---转动惯量（kg?m2）

B---粘性阻尼系数（N?m?s） ig---流过电枢的电流（A） ?---电机输出的转角（rad）

1.2传递函数

利用基尔霍夫定律和牛顿第二定律得出电机基本方程并进行拉布拉斯变换

Ua(s)?Uq(s)?Ia(s)?Ra?Las?Ia(s)Tg(s)?Js2??(s)?Bs??(s)Tg(s)?Ia(s)?KtUq(s)?Kes??(s)式中：Kt为电机的转动常数（N?m）A；Ke为感应电动势常数（V?s）rad

Ua(s) Ia(s) 1 Las?RaT

摘自 Matlab在数学建模中的应用， 北航出版社，2011.4

4.2遗传算法MATLAB程序设计

4.2.1程序设计流程及参数选取 4.2.1.1遗传算法程序设计伪代码

BEGIN

t = 0 ; %Generations NO.

初始化P(t) ; %Initial Population or Chromosomes 计算P(t) 的适应值; while (不满足停止准则) do begin t = t+1 ;

从P(t-1)中选择P(t) ; % Selection

重组P(t) ; % Crossover and Mutation 计算P(t) 的适应值; end END

4.2.1.2遗传算法的参数设计原则

在单纯的遗传算法当中，也并不总是收敛，即使在单峰或单调也是如此。这是因为种群的进化能力已经基本丧失，种群早熟。为了避免种