最短路径TSP遗传算法_精品文档Word格式.doc
《最短路径TSP遗传算法_精品文档Word格式.doc》由会员分享,可在线阅读,更多相关《最短路径TSP遗传算法_精品文档Word格式.doc(9页珍藏版)》请在冰豆网上搜索。
4.1.2遗传编码
采用下标子集T的二进制编码方案是常用的遗传编码方法。
串T的长度等于n(问题规模),Ti(1≤i≤n)=1表示该物件装入背包,Ti=0表示不装入背包。
基于背包问题有近似求解知识,以及考虑到遗传算法的特点(适合短定义距的、低阶的、高适应度的模式构成的积木块结构类问题),通常将Pi,Si按Pi/Si值的大小依次排列,即P1/S1≥P2/S2≥…≥Pn/Sn。
4.1.3适应度函数
在上述编码情况下,背包问题的目标函数和约束条件可表示如下。
目标函数:
约束条件:
按照利用惩罚函数处理约束条件的方法,我们可构造背包问题的适应度函数f(T)如下式:
f(T)=J(T)+g(T)
式中g(T)为对T超越约束条件的惩罚函数,惩罚函数可构造如下:
式中Em为Pi/S(1≤i≤n)i的最大值,β为合适的惩罚系数。
4.2货郎担问题(TravelingSalesmanProblem——TSP)
在遗传其法研究中,TSP问题已被广泛地用于评价不同的遗传操作及选择机制的性能。
之所以如此,主要有以下几个方面的原因:
(1)TSP问题是一个典型的、易于描述却难以处理的NP完全(NP-complete)问题。
有效地解决TSP问题在可计算理论上有着重要的理论价值。
(2)TSP问题是诸多领域内出现的多种复杂问题的集中概括和简化形式。
因此,快速、有效地解决TSP问题有着极高的实际应用价值。
(3)TSP问题因其典型性已成为各种启发式的搜索、优化算法的间接比较标准,而遗传算法就其本质来说,主要是处理复杂问题的一种鲁棒性强的启发式随机搜索算法。
因此遗传算法在TSP问题求解方面的应用研究,对于构造合适的遗传算法框架、建立有效的遗传操作以及有效地解决TSP问题等有着多方面的重要意义。
问题描述:
寻找一条最短的遍历n个城市的路径,或者说搜索整数子集X={1,2,…,n}(X的元素表示对n个城市的编号)的一个排列π(X)={v1,v2,…,vn},使
取最小值。
式中的d(vi,vi+1)表示城市vi到城市vi+1的距离。
4.2.1编码与适应度函数
编码
1.以遍历城市的次序排列进行编码。
如码串12345678表示自城市l开始,依次经城市2,3,4,5,6,7,8,最后返回城市1的遍历路径。
显然,这是一种针对TSP问题的最自然的编码方式。
这一编码方案的主要缺陷在于引起了交叉操作的困难。
2.采用“边”的组合方式进行编码。
例如码串24536871的第1个码2表示城市1到城市2的路径在TSP圈中,第2个码4表示城市2到城市4的路径在TSP圈中,以此类推,第8个码1表示城市7到城市1的路径在TSP圈中。
3.间接“节点”编码方式。
以消除“一点交叉”策略(或多点交叉策略)引起的非法路径问题。
码串长度仍为n,定义各等位基因的取值范围为(n–i+1),i为基因序号,解码时,根据相应基因位的取值,从城市号集合中不回放地取一个城市号,直至所有城市号被取完。
由于这种编码方式特征遗传性较差,因此现行的研究中很少采用。
适应度函数
适应度函数常取路径长度Td的倒数,即
f=1/Td
若结合TSP的约束条件(每个城市经过且只经过一次),则适应度函数可表示为:
f=1/(Td+α*Nt),
其中Nt是对TSP路径不合法的度量(如取付Nt为未遍历的城市的个数),α为惩罚系数,常取城市间最长距离的两倍多一点(如2.05*dmax)。
4.2.2交叉策略
问题:
基于TSP问题的顺序编码(其它编码如以边的组合状态进行编码也呈现相似特性),若采取简单的一点交叉或多点交叉策略,必然以极大的概率导致未能完全遍历所有城市的非法路径。
如8城市的TSP问题的两个父路径为
1234|5678
8765|4321
若采取一点交叉,且交叉点随机选为4,则交叉后产生的两个后代为
87655678
12344321
显然,这两个子路径均未能遍历所有8个城市,都违反TSP问题的约束条件。
可以采取上述构造惩罚函数的方法,但试验效果不佳。
可能的解释:
这一方法将本已十分复杂的TSP问题更加复杂化了。
因为满足TSP问题约束条件的可行解空间规模为n!
;
而按构造惩罚函数的方法,其搜索空间规模变为nn;
随着n的增大n!
与nn之间的差距是极其惊人的。
解决这一约束问题的另一种处理方法是对交叉、变异等遗传操作做适当的修正,使其自动满足TSP的约束条件。
常用的几种交叉方法:
1.部分匹配交叉(PMX,PartiallyMatchedCrossover)法
PMX操作是由Goldberg和Lingle于1985年提出的。
在PMX操作中,先依据均匀随机分布产生两个位串交叉点,定义这两点之间的区域为一匹配区域,并使用位置交换操作交换两个父串的匹配区域。
实例:
如两父串及匹配区域为
A=984|567|1320
B=871|230|9546
首先交换A和B的两个匹配区域,得到
A’=984|230|l320
B’=871|567|9546
对于A’、B’两子串中匹配区域以外出现的遍历重复,依据匹配区域内的位置映射关系,逐一进行交换。
对于A’有2到5,3到6,0到7的位置符号映射,对A’的匹配区以外的2,3,0分别以5,6,7替换,则得
A”=984|230|1657
同理可得:
B”=801|567|9243
这样,每个子串的次序部分地由其父串确定。
2.顺序交叉法(OX,OrderCrossover)法
与PMX法相似,Davis(1985)等人提出了一种OX法,此方法开始也是选择一个匹配区域:
并根据匹配区域的映射关系,在其区域外的相应位置标记H,得到
A’=984|567|1HHH
B’=8H1|230|9H4H
再移动匹配区至起点位置,且在其后预留相等于匹配区域的空间(H数目),然后将其余的码按其相对次序排列在预留区后面,得到
A”=567HHH1984
B”=230HHH9481
最后将父串A,B的匹配区域相互交换,并放置到A”,B”的预留区内,即可得到两个子代:
A”’=567|230|1984
B”’=230|567|9481
虽然,PMX法与OX法非常相似,但它们处理相似特性的手段却不同。
PMX法趋向于所期望的绝对城市位置,而OX法却趋向于期望的相对城市位置。
3.循环交叉(CX,cyclecrossover)法
Smith等人提出的CX方法与PMX方法和OX方法有不同之处。
循环交叉的执行是以父串的特征作为参考,使每个城市在约束条件下进行重组。
假设两个个体:
A=123456789
B=412876935
进行交叉。
以后代A’为例说明生成后代的过程:
(1)从A中取第一个元素填人A’的第一个位置:
A’=1########
(2)B的第一个元素为“4”,则在A中查找“4”的位置,并将它填入A’相应的位置中:
A’=1##4#####
(3)B的第四个元素为“8”,则在A中查找“8”的位置,并将它填入A’相应的位置中:
A’=1##4###8#
(4)B的第八个元素为“3”,则在A中查找“3”的位置,并将它填入A’相应的位置中:
A’=1#34###8#
(5)B的第三个元素为“2”,则在A中查找“2”的位置,并将它填人A’相应的位置中:
A’=1234###8#
(6)B的第二个元素为“1”,而“1”在A’中已经出现,这样就构成了一个循环。
此时将剩下的位置填入B中对应位置的值:
A’=123476985
同理,若以A为参照,可以得到B’。
最后交叉所得的后代为:
B’=412856739
循环交叉算子的特点是保留了父代个体中序列的绝对位置。
4.基于知识的交叉方法
这种方法是一种启发式的交叉方法,按以下规划构造后代:
(1)随机地选取一个城市作为子代圈的开始城市。
(2)比较父串中与开始城市邻接的边,选取最小的边添加到圈的路径中。
(3)重复第
(2)步,如果发现按最小边选取的规划产生非法路径(重复经过同一城市),则按随机法产生一合法的边,如此反复,直至形成一完整的TSP圈。
使用这一方法,可获得较好的结果。
不过,这一方法使用了基于问题的一些知识,损失了遗传算法的通用性和鲁棒性。
关于TSP问题的遗传交叉方法还有各种各样的变形方法,一般来说,交叉方法应能使父串的待征遗传给子串,子串应能部分或全部地继承父串的结构特征和有效基因。
4.2.3变异技术
从遗传算法的观点来看,解的进化主要靠选择机制和交叉策略来完成,变异只是为选择、交叉过程中可能丢失的某些遗传基因进行修复和补充,变异在遗传算法的全局意义上只是一个背景操作。
针对TSP问题,主要的变异技术如下:
1.位点变异
变异仅以一定的概率(通常较小)对串的某些位作值的变异。
2.逆转变异
在串中随机选择两点,再将这两点内的子串按反序插入到原位置中,如串A的逆转点为3,6,则经逆转后,变为A’
A=123|456|7890
A’=123|654|7890
3.对换变异
随机选择串中的两点,交换其值(码)。
对于串A
若对换点为4,7,则经对换后,A’为
A’=123756489
4.插人变异
从串中随机选择1个码,将此码插入随机选择的插入点中间,对于上述A而言.若取插入码为5,选取插入点为2~3之间.则