下载文档原格式
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。
智能优化算法之遗传算法一、智能优化算法智能优化算法又称为现代启发式算法，是一种具有全局优化性能、通用性强、且适合于并行处理的算法。
这种算法一般具有严密的理论依据，而不是单纯凭借专家经验，理论上可以在一定的时间内找到最优解或近似最优解。
定的概率在整个求解空间中探索最优解。
由于它们可以把搜索空间扩展到整个问题空间，因而具有全局优化性能。
二、遗传算法1.遗传算法产生与发展(1) 产生①早在50年代，一些生物学家开始研究运用数字计算机模拟生物的自然遗传与自然进化过程；② 1963年，德国柏林技术大学的I. Rechenberg和H. P. Schwefel，做风洞实验时，产生了进化策略的初步思想；③ 60年代，L. J. Fogel在设计有限态自动机时提出进化规划的思想。
1966年Fogel等出版了《基于模拟进化的人工智能》，系统阐述了进化规划的思想；④ 60年代中期，美国Michigan大学的J. H. Holland教授提出借鉴生物自然遗传的基本原理用于自然和人工系统的自适应行为研究和串编码技术；⑤ 1967年，他的学生J. D. Bagley在博士论文中首次提出“遗传算法(Genetic Algorithms)”一词；⑥1975年，Holland出版了著名的“Adaptation in Natural and Artificial Systems”，标志遗传算法的诞生。
(2) 发展①70年代初，Holland提出了“模式定理”（Schema Theorem），一般认为是“遗传算法的基本定理”，从而奠定了遗传算法研究的理论基础；②1985年，在美国召开了第一届遗传算法国际会议，并且成立了国际遗传算法学会(ISGA，International Society of Genetic Algorithms)；③1989年，Holland的学生D. J. Goldherg出版了“Genetic Algorithms in Search, Optimization, and Machine Learning”，对遗传算法及其应用作了全面而系统的论述；④ 1991年，L. Davis编辑出版了《遗传算法手册》，其中包括了遗传算法在工程技术和社会生活中大量的应用实例。
第三章遗传算法习题与答案1.填空题（1）遗传算法的缩写是，它模拟了自然界中过程而提出，可以解决问题。
在遗传算法中，主要的步骤是、、。
（2）遗传算法的三个算子是、、。
解释：本题考查遗传算法的基础知识。
具体内容请参考课堂视频“第3章遗传算法”及其课件。
答案：（1）GA，生物进化，全局优化，编码，计算适应度函数，遗传算子（2）选择，交叉，变异2.对于编码长度为7的二进制编码，判断以下编码的合法性。
（1）[1020110]（2）[1011001]（3）[0110010]（4）[0000000]（5）[2134576]解释：本题考查遗传算法的二进制编码的合法性。
具体内容请参考课堂视频“第3章遗传算法”及其课件。
答案：（1）[1020110]不合法，不能出现“2”（2）[1011001]合法（3）[0110010]合法（4）[0000000]合法（5）[2134576]不合法，不能出现0、1以外的数字3.下图能够基本反映生物学遗传与优胜劣汰的过程。
理解该图，联想计算类问题求解，回答下列问题。
（1）下列说法正确的是_____。
（多选）A）任何一个生物个体的性状是由其染色体确定的，染色体是由基因及其有规律的排列所构成的，因此生物个体可由染色体来代表。
B）生物的繁殖过程是通过将父代染色体的基因复制到子代染色体中完成的，在复制过程中会发生基因重组或基因突变。
基因重组是指同源的两个染色体之间基因的交叉组合，简称为“杂交/交配”。
基因突变是指复制过程中基因信息的变异，简称“突变”。
C）不同染色体会产生不同生物个体的性状，其适应环境的能力也不同。
D）自然界体现的是“优胜劣汰，适者生存”的丛林法则。
不适应环境的生物个体将被淘汰，自然界生物的生存能力会越来越强。
解释：本题考核对生物遗传观点以及所给图片的理解。
具体内容请参考课堂视频“第3章遗传算法”及其课件。
答案：A、B、C、D关于生物遗传进化的基本观点如下：（1）生物的所有遗传信息都包含在其染色体中，染色体决定了生物的性状。
遗传算法的C语⾔实现（⼆）-----以求解TSP问题为例上⼀次我们使⽤遗传算法求解了⼀个较为复杂的多元⾮线性函数的极值问题，也基本了解了遗传算法的实现基本步骤。
这⼀次，我再以经典的TSP问题为例，更加深⼊地说明遗传算法中选择、交叉、变异等核⼼步骤的实现。
⽽且这⼀次解决的是离散型问题，上⼀次解决的是连续型问题，刚好形成对照。
⾸先介绍⼀下TSP问题。
TSP(traveling salesman problem,旅⾏商问题)是典型的NP完全问题，即其最坏情况下的时间复杂度随着问题规模的增⼤按指数⽅式增长，到⽬前为⽌还没有找到⼀个多项式时间的有效算法。
TSP问题可以描述为：已知n个城市之间的相互距离，某⼀旅⾏商从某⼀个城市出发，访问每个城市⼀次且仅⼀次，最后回到出发的城市，如何安排才能使其所⾛的路线最短。
换⾔之，就是寻找⼀条遍历n个城市的路径，或者说搜索⾃然⼦集X={1,2,...,n}(X的元素表⽰对n个城市的编号)的⼀个排列P(X)={V1,V2,....,Vn},使得Td=∑d(V i,V i+1)+d(V n,V1)取最⼩值，其中,d(V i,V i+1)表⽰城市V i到V i+1的距离。
TSP问题不仅仅是旅⾏商问题，其他许多NP完全问题也可以归结为TSP问题，如邮路问题，装配线上的螺母问题和产品的⽣产安排问题等等，也使得TSP问题的求解具有更加⼴泛的实际意义。
再来说针对TSP问题使⽤遗传算法的步骤。
（1）编码问题：由于这是⼀个离散型的问题，我们采⽤整数编码的⽅式，⽤1~n来表⽰n个城市，1~n的任意⼀个排列就构成了问题的⼀个解。
可以知道，对于n个城市的TSP问题，⼀共有n!种不同的路线。
(2)种群初始化：对于N个个体的种群，随机给出N个问题的解（相当于是染⾊体）作为初始种群。
这⾥具体采⽤的⽅法是：1,2，...,n作为第⼀个个体，然后2,3，..n分别与1交换位置得到n-1个解，从2开始，3,4,...,n分别与2交换位置得到n-2个解，依次类推。
⼈⼯智能结课作业-遗传算法粒⼦群寻优蚁群算法解决TSP问题代码已经发布到了github:如果帮到你了，希望给个star⿎励⼀下1 遗传算法1.1算法介绍遗传算法是模仿⾃然界⽣物进化机制发展起来的随机全局搜索和优化⽅法，它借鉴了达尔⽂的进化论和孟德尔的遗传学说。
其本质是⼀种⾼效、并⾏、全局搜索的⽅法，它能在搜索过程中⾃动获取和积累有关搜索空间的知识，并⾃适应的控制搜索过程以求得最优解。
遗传算法操作使⽤适者⽣存的原则，在潜在的解决⽅案种群中逐次产⽣⼀个近似最优解的⽅案，在遗传算法的每⼀代中，根据个体在问题域中的适应度值和从⾃然遗传学中借鉴来的再造⽅法进⾏个体选择，产⽣⼀个新的近似解。
这个过程导致种群中个体的进化，得到的新个体⽐原来个体更能适应环境，就像⾃然界中的改造⼀样。
遗传算法具体步骤：（1）初始化：设置进化代数计数器t=0、设置最⼤进化代数T、交叉概率、变异概率、随机⽣成M个个体作为初始种群P（2）个体评价：计算种群P中各个个体的适应度（3）选择运算：将选择算⼦作⽤于群体。
以个体适应度为基础，选择最优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（4）交叉运算：在交叉概率的控制下，对群体中的个体两两进⾏交叉（5）变异运算：在变异概率的控制下，对群体中的个体进⾏变异，即对某⼀个体的基因进⾏随机调整（6）经过选择、交叉、变异运算之后得到下⼀代群体P1。
重复以上（1）-（6），直到遗传代数为 T，以进化过程中所得到的具有最优适应度个体作为最优解输出，终⽌计算。
旅⾏推销员问题（Travelling Salesman Problem， TSP）：有n个城市，⼀个推销员要从其中某⼀个城市出发，唯⼀⾛遍所有的城市，再回到他出发的城市，求最短的路线。
应⽤遗传算法求解TSP问题时需要进⾏⼀些约定，基因是⼀组城市序列，适应度是按照这个基因的城市顺序的距离和分之⼀。
1.2实验代码import randomimport mathimport matplotlib.pyplot as plt#读取数据f=open("test.txt")data=f.readlines()#将cities初始化为字典，防⽌下⾯被当成列表cities={}for line in data:#原始数据以\n换⾏，将其替换掉line=line.replace("\n","")#最后⼀⾏以EOF为标志，如果读到就证明读完了，退出循环if(line=="EOF"):break#空格分割城市编号和城市的坐标city=line.split("")map(int,city)#将城市数据添加到cities中cities[eval(city[0])]=[eval(city[1]),eval(city[2])]#计算适应度，也就是距离分之⼀，这⾥⽤伪欧⽒距离def calcfit(gene):sum=0#最后要回到初始城市所以从-1，也就是最后⼀个城市绕⼀圈到最后⼀个城市for i in range(-1,len(gene)-1):nowcity=gene[i]nextcity=gene[i+1]nowloc=cities[nowcity]nextloc=cities[nextcity]sum+=math.sqrt(((nowloc[0]-nextloc[0])**2+(nowloc[1]-nextloc[1])**2)/10)return 1/sum#每个个体的类，⽅便根据基因计算适应度class Person:def__init__(self,gene):self.gene=geneself.fit=calcfit(gene)class Group:def__init__(self):self.GroupSize=100 #种群规模self.GeneSize=48 #基因数量，也就是城市数量self.initGroup()self.upDate()#初始化种群，随机⽣成若⼲个体def initGroup(self):self.group=[]i=0while(i<self.GroupSize):i+=1#gene如果在for以外⽣成只会shuffle⼀次gene=[i+1 for i in range(self.GeneSize)]random.shuffle(gene)tmpPerson=Person(gene)self.group.append(tmpPerson)#获取种群中适应度最⾼的个体def getBest(self):bestFit=self.group[0].fitbest=self.group[0]for person in self.group:if(person.fit>bestFit):bestFit=person.fitbest=personreturn best#计算种群中所有个体的平均距离def getAvg(self):sum=0for p in self.group:sum+=1/p.fitreturn sum/len(self.group)#根据适应度，使⽤轮盘赌返回⼀个个体，⽤于遗传交叉def getOne(self):#section的简称，区间sec=[0]sumsec=0for person in self.group:sumsec+=person.fitsec.append(sumsec)p=random.random()*sumsecfor i in range(len(sec)):if(p>sec[i] and p<sec[i+1]):#这⾥注意区间是⽐个体多⼀个0的return self.group[i]#更新种群相关信息def upDate(self):self.best=self.getBest()#遗传算法的类，定义了遗传、交叉、变异等操作class GA:def__init__(self):self.group=Group()self.pCross=0.35 #交叉率self.pChange=0.1 #变异率self.Gen=1 #代数#变异操作def change(self,gene):#把列表随机的⼀段取出然后再随机插⼊某个位置#length是取出基因的长度，postake是取出的位置，posins是插⼊的位置geneLenght=len(gene)index1 = random.randint(0, geneLenght - 1)index2 = random.randint(0, geneLenght - 1)newGene = gene[:] # 产⽣⼀个新的基因序列，以免变异的时候影响⽗种群 newGene[index1], newGene[index2] = newGene[index2], newGene[index1] return newGene#交叉操作def cross(self,p1,p2):geneLenght=len(p1.gene)index1 = random.randint(0, geneLenght - 1)index2 = random.randint(index1, geneLenght - 1)tempGene = p2.gene[index1:index2] # 交叉的基因⽚段newGene = []p1len = 0for g in p1.gene:if p1len == index1:newGene.extend(tempGene) # 插⼊基因⽚段p1len += 1if g not in tempGene:newGene.append(g)p1len += 1return newGene#获取下⼀代def nextGen(self):self.Gen+=1#nextGen代表下⼀代的所有基因nextGen=[]#将最优秀的基因直接传递给下⼀代nextGen.append(self.group.getBest().gene[:])while(len(nextGen)<self.group.GroupSize):pChange=random.random()pCross=random.random()p1=self.group.getOne()if(pCross<self.pCross):p2=self.group.getOne()newGene=self.cross(p1,p2)else:newGene=p1.gene[:]if(pChange<self.pChange):newGene=self.change(newGene)nextGen.append(newGene)self.group.group=[]for gene in nextGen:self.group.group.append(Person(gene))self.group.upDate()#打印当前种群的最优个体信息def showBest(self):print("第{}代\t当前最优{}\t当前平均{}\t".format(self.Gen,1/self.group.getBest().fit,self.group.getAvg())) #n代表代数，遗传算法的⼊⼝def run(self,n):Gen=[] #代数dist=[] #每⼀代的最优距离avgDist=[] #每⼀代的平均距离#上⾯三个列表是为了画图i=1while(i<n):self.nextGen()self.showBest()i+=1Gen.append(i)dist.append(1/self.group.getBest().fit)avgDist.append(self.group.getAvg())#绘制进化曲线plt.plot(Gen,dist,'-r')plt.plot(Gen,avgDist,'-b')plt.show()ga=GA()ga.run(3000)print("进⾏3000代后最优解：",1/ga.group.getBest().fit)1.3实验结果下图是进⾏⼀次实验的结果截图，求出的最优解是11271为避免实验的偶然性，进⾏10次重复实验，并求平均值，结果如下。
跨境电商环境下物流行业仓储与配送优化方案第一章绪论 (3)1.1 跨境电商物流概述 (3)1.2 研究目的与意义 (3)1.3 研究方法与结构安排 (3)第二章：跨境电商物流行业现状分析 (4)第三章：跨境电商物流仓储与配送环节存在的问题及原因分析 (4)第四章：跨境电商物流仓储与配送优化方案 (4)第五章：跨境电商物流仓储与配送优化方案实施与评价 (4)第二章跨境电商物流行业现状分析 (4)2.1 跨境电商物流行业现状 (4)2.2 我国跨境电商物流政策环境 (4)2.3 存在的主要问题 (5)第三章仓储优化方案 (5)3.1 仓储设施布局优化 (5)3.1.1 设施布局原则 (5)3.1.2 设施布局优化措施 (5)3.2 仓储作业流程优化 (6)3.2.1 作业流程优化原则 (6)3.2.2 作业流程优化措施 (6)3.3 仓储信息化管理 (6)3.3.1 信息化管理内容 (6)3.3.2 信息化管理措施 (6)第四章配送网络优化 (6)4.1 配送网络布局优化 (6)4.2 配送中心选址与建设 (7)4.3 配送路径优化 (7)第五章供应链协同优化 (8)5.1 供应链协同管理 (8)5.1.1 概述 (8)5.1.2 需求协同 (8)5.1.3 计划协同 (8)5.1.4 物流协同 (8)5.2 供应商关系管理 (8)5.2.1 概述 (8)5.2.2 供应商选择与评价 (9)5.2.3 供应商合作与退出 (9)5.3 供应链风险防控 (9)5.3.1 概述 (9)5.3.2 风险识别 (9)5.3.4 风险应对 (9)5.3.5 风险监控 (9)第六章包装与装卸优化 (9)6.1 包装材料与方式优化 (9)6.1.1 包装材料的选择 (10)6.1.2 包装方式的优化 (10)6.2 装卸作业流程优化 (10)6.2.1 装卸作业前的准备工作 (10)6.2.2 装卸作业流程 (10)6.3 装卸设备与工具优化 (10)6.3.1 装卸设备的优化 (11)6.3.2 装卸工具的优化 (11)第七章信息管理与数据分析 (11)7.1 物流信息平台建设 (11)7.1.1 平台架构设计 (11)7.1.2 数据集成 (11)7.1.3 功能模块 (11)7.2 数据挖掘与分析 (12)7.2.1 数据挖掘技术 (12)7.2.2 数据分析应用 (12)7.3 物流成本控制 (12)7.3.1 成本核算 (12)7.3.2 成本控制策略 (12)第八章绿色物流与可持续发展 (13)8.1 绿色物流理念 (13)8.2 节能减排技术与应用 (13)8.3 循环经济发展 (14)第九章跨境电商物流行业政策建议 (14)9.1 政策环境优化 (14)9.1.1 完善跨境电商法律法规体系 (14)9.1.2 优化跨境电商通关流程 (14)9.1.3 推动跨境电商综合服务平台建设 (14)9.2 政策支持与补贴 (15)9.2.1 加大财政支持力度 (15)9.2.2 优化融资政策 (15)9.2.3 建立跨境电商物流行业人才培养体系 (15)9.3 行业规范与监管 (15)9.3.1 制定跨境电商物流行业规范 (15)9.3.2 加强行业监管 (15)9.3.3 推动行业自律 (15)第十章结论与展望 (15)10.1 研究结论 (15)10.2 研究局限 (16)第一章绪论1.1 跨境电商物流概述互联网技术的飞速发展，跨境电商逐渐成为我国外贸的重要组成部分。
种群表示和初始化函数 bs2rv: 二进制串到实值的转换Phen=bs2rv(Chrom,FieldD)FieldD=[len, lb, ub, code, scale, lbin, ubin]len是字串的长度，lb和ub是每个变量的下界和上界，lbin和ubin指明表示范围中是否包含边界，0不包括，1包括。
code(i)=1为标准的二进制编码，code(i)=0为格雷编码scale(i)=0为算术刻度，scale(i)=1为对数刻度函数 crtbp: 创建初始种群[Chrom,Lind,BaseV]=crtbp(Nind,Lind)[Chrom,Lind,BaseV]=crtbp(Nind,BaseV)[Chrom,Lind,BaseV]=crtbp(Nind,Lind,BaseV)Nind指定种群中个体的数量，Lind指定个体的长度，Basev与base是一样的，返回的是个体的各个位的进制数函数 crtrp: 创建实值原始种群Chrom=crtrp(Nind,FieldDR)适应度计算函数 ranking: 基于排序的适应度分配（此函数是从最小化方向对个体进行排序的）FitV=ranking(ObjV)FitV=ranking(ObjV, RFun)FitV=ranking(ObjV, RFun, SUBPOP)Rfun(1)线性排序标量在[1 2]间，代表的是选择压差，比如压差为2，那就限制了Objv的结果fitv在0-2之间，如果是1.5，就在0.5-1.5之间，结果的最大值与最小值加起来就是2，非线性排序在[1 length(ObjV)-2]Rfun(2)指定排序方法，0为线性排序，1为非线性排序SUBPOP指明ObjV中子种群的数量，默认为1其实我对这个函数没了解得太深刻，不过我觉得这是一种变比技术。
将原先的适应度值压缩到一定的范围，而且目标值越大，分配的适应度值越小。
例如 A=[1;2;3;4;2;3];ranking(A)= 2.0000 1.4000 0.6000 0 1.4000 0.6000，所以如果是求最大值，就得-A，求最小值就直接A就可以了，因为目标值越大分配的适应度越小，目标值越小，分配的适应度越大。
