遺傳算法實(shí)驗(yàn)總結(jié)

遺傳算法實(shí)驗(yàn)總結(jié)TSP的遺傳算法程序?qū)嶒?yàn)報告TSP的遺傳算法程序?qū)嶒?yàn)原理遺傳算法的流程如圖所示：二、程序的主要思想使用C語言實(shí)現(xiàn)TSP的遺傳算法根據(jù)遺傳算法的原理，自定義所需的初始染色體長度、初始群體大小、最大的迭代次數(shù)、交叉概率以及變異概率。初始時生成與染色體長度相同個數(shù)的城市，為每個城市隨機(jī)生成平面坐標(biāo)，將城市的初始生成的順序作為初始的路徑，即第一條染色體。計算路徑中相鄰城市之間的距離，并進(jìn)行保存。將生成的城市再進(jìn)行多次的重新排列，得到多條不同的路徑，將這些路徑作為初始群體里的染色體，計算每條路徑的長度。通過自定義的適應(yīng)度函數(shù)計算染色體的適應(yīng)度，通過交叉、變異生成新的種群。對新種群繼續(xù)迭代操作，直到達(dá)到初始定義的迭代次數(shù)，獲得最終的路徑及路徑圖。三、程序的主要步驟①染色體初始化的子函數(shù)voidinitialize(){intk,j,minx,miny,maxx,maxy;initdata();minx=0;miny=0;maxx=0;maxy=0;for(k=0;k{x[k]=rand();if(x[k]>maxx)maxx=x[k];if(x[k]y[k]=rand();if(y[k]>maxy)maxy=y[k];if(y[k]}if((maxx-minx)>(maxy-miny)){maxxy=maxx-minx;}else{maxxy=maxy-miny;}maxdd=0.0;for(k=0;kfor(j=0;j{dd[k*lchrom+j]=hypot(x[k]-x[j],y[k]-y[j]);if(maxdd}refpd=dd[lchrom-1];for(k=0;krefpd=refpd+dd[k*lchrom+k+2];for(j=0;jdd[j*lchrom+j]=4.0*maxdd;ff=(0.765*maxxy*pow(lchrom,0.5));minpp=0;min=dd[lchrom-1];for(j=0;j{if(dd[lchrom*j+lchrom-1]{min=dd[lchrom*j+lchrom-1];minpp=j;}}initpop();statistics(oldpop);initreport();}for(k=0;k{x[k]=rand();if(x[k]>maxx)maxx=x[k];if(x[k]y[k]=rand();if(y[k]>maxy)maxy=y[k]if(y[k]}此段程序是初始化多個城市的坐標(biāo)值(x,y)，其中(x[k],y[k])代表第k+1個城市的坐標(biāo)值，也相當(dāng)于初始染色體的第k+1個基因值。for(k=0;kfor(j=0;j{dd[k*lchrom+j]=hypot(x[k]-x[j],y[k]-y[j]);此段程序是將初始生成的城市的順序做為第一條路徑的順序，計算路徑中相鄰點(diǎn)之間的距離。②群體初始化的子函數(shù)voidinitpop(){unsignedcharj1;unsignedintk5,i1,i2,j,i,k,j2,j3,j4,p5[maxstring];floatf1,f2;j=0;for(k=0;koldpop[j].chrom[k]=k;for(k=0;kp5[k]=oldpop[j].chrom[k];randomize();for(;j{j2=random(lchrom);for(k=0;k{j3=random(lchrom);j4=random(lchrom);j1=p5[j3];p5[j3]=p5[j4];p5[j4]=j1;}for(k=0;koldpop[j].chrom