遺傳演算法tspmatlab
❶ 遺傳演算法求解tsp問題的matlab程序
TSP問題遺傳演算法通用Matlab程序
程序一：主程序
%TSP問題（又名：旅行商問題，貨郎擔問題）遺傳演算法通用matlab程序 %D是距離矩陣，n為種群個數 %參數a是中國31個城市的坐標
%C為停止代數，遺傳到第 C代時程序停止,C的具體取值視問題的規模和耗費的時間而定 %m為適應值歸一化淘汰加速指數,最好取為1,2,3,4,不宜太大
%alpha為淘汰保護指數,可取為0~1之間任意小數,取1時關閉保護功能,建議取0.8~1.0之間的值
%R為最短路徑,Rlength為路徑長度
function [R,Rlength]=geneticTSP(D,a,n,C,m,alpha) [N,NN]=size(D);
farm=zeros(n,N);%用於存儲種群 for i=1:n
farm(i,:)=randperm(N);%隨機生成初始種群 end
R=farm(1,:); subplot(1,3,1)
scatter(a(:,1),a(:,2),'x') pause(1)
subplot(1,3,2) plotaiwa(a,R) pause(1)
farm(1,:)=R;
len=zeros(n,1);%存儲路徑長度
fitness=zeros(n,1);%存儲歸一化適應值 counter=0;
while counter for i=1:n
len(i,1)=myLength(D,farm(i,:));%計算路徑長度 end
maxlen=max(len); minlen=min(len);
fitness=fit(len,m,maxlen,minlen);%計算歸一化適應值 rr=find(len==minlen);
R=farm(rr(1,1),:);%更新最短路徑
FARM=farm;%優勝劣汰，nn記錄了復旁仿製的個數 nn=0;
for i=1:n
if fitness(i,1)>=alpha*rand nn=nn+1;
FARM(nn,:)=farm(i,:); end
end
FARM=FARM(1:nn,:);
[aa,bb]=size(FARM);%交叉和變異 while aa if nn<=2 nnper=randperm(2); else
nnper=randperm(nn); end
A=FARM(nnper(1),:); B=FARM(nnper(2),:); [A,B]=intercross(A,B); FARM=[FARM;A;B]; [aa,bb]=size(FARM); end
if aa>n
FARM=FARM(1:n,:);%保持種群規模為n end
farm=FARM; clear FARM
counter=counter+1 end
Rlength=myLength(D,R); subplot(1,3,3) plotaiwa(a,R)
程序二：計算鄰接薯鬧矩陣
%輸入參數a是中國31個城市的坐標 %輸出參數D是無向圖的賦權鄰接矩陣 function D=ff01(a) [c,d]=size(a); D=zeros(c,c); for i=1:c
for j=i:c
bb=(a(i,1)-a(j,1)).^2+(a(i,2)-a(j,2)).^2; D(i,j)=bb^(0.5); D(j,i)=D(i,j); end end
程序三：計算歸一化適運手纖應值 %計算歸一化適應值的子程序
function fitness=fit(len,m,maxlen,minlen) fitness=len;
for i=1:length(len)
fitness(i,1)=(1-((len(i,1)-minlen)/(maxlen-minlen+0.0001))).^m; end
程序四：交叉和變異的子程序
%交叉演算法採用的是由Goldberg和Lingle於1985年提出的PMX(部分匹配交叉) function [a,b]=intercross(a,b) L=length(a);
if L<=10%確定交叉寬度 W=9;
elseif ((L/10)-floor(L/10))>=rand&&L>10 W=ceil(L/10)+8; else
W=floor(L/10)+8; end
p=unidrnd(L-W+1);%隨機選擇交叉范圍，從p到p+W for i=1:W%交叉
x=find(a==b(1,p+i-1)); y=find(b==a(1,p+i-1));
[a(1,p+i-1),b(1,p+i-1)]=exchange(a(1,p+i-1),b(1,p+i-1)); [a(1,x),b(1,y)]=exchange(a(1,x),b(1,y)); end
function [x,y]=exchange(x,y) temp=x; x=y; y=temp;
程序五: 計算路徑的子程序
%該路徑長度是一個閉合的路徑的長度 function len=myLength(D,p) [N,NN]=size(D);
len=D(p(1,N),p(1,1)); for i=1:(N-1)
len=len+D(p(1,i),p(1,i+1)); end
程序六：用於繪制路徑示意圖的程序 function plotaiwa(a,R)
scatter(a(:,1),a(:,2),'x') hold on
plot([a(R(1),1),a(R(31),1)],[a(R(1),2),a(R(31),2)]) hold on
for i=2:length(R) x0=a(R(i-1),1); y0=a(R(i-1),2); x1=a(R(i),1); y1=a(R(i),2); xx=[x0,x1];
yy=[y0,y1];
plot(xx,yy)
hold on
end
❷ matlab2008遺傳演算法工具箱採用的是二進制編碼還是實數編碼
兩種編碼都有，可以自己選擇。
你在MATLAB2008里輸入 gaoptimset
會彈出遺傳演算法的所有的設置選項及默認項。其中，第一行就是個體的編碼方式，第一行如下
PopulationType: [ 'bitstring' | 'custom' | {'doubleVector'} ]
其中，bitstring就是二進制編碼，而'doubleVector'即實數編碼（MATLAB里實數是用double雙精度浮點數表示的，精度很高。大括弧{}表示是默認設置。
而中間的'custom'是表示用戶自己構造個體的編碼形式。（參加GA算例，在美國地圖中的TSP問題，很帥～
加油，MATLAB是個好軟體～～～
❸ 用遺傳演算法求解10城市旅行商問題，用matlab編程，要可以運行的程序，跪求，必有重謝
%螞蟻演算法
function [Shortest_Route,Shortest_Length]=anttsp(city,iter_max,m,Alpha,Beta,Rho,Q)
n=size(city,1);
d=zeros(n,n);
d=squareform(pdist(city));
Eta=1./d;
Tau=ones(n,n);
Tabu=zeros(m,n);
nC=1;
R_best=zeros(iter_max,n);
L_best=inf.*ones(iter_max,1);
while nC<=iter_max
route=[];
for i=1:ceil(m/n)
route=[route,randperm(n)];
end
Tabu(:,1)=(route(1,1:m))';
for j=2:n
for i=1:m
visited=Tabu(i,1:(j-1));
J=zeros(1,(n-j+1));
P=J;
Jc=1;
for k=1:n
if isempty(find(visited==k, 1))
J(Jc)=k;
Jc=Jc+1;
end
end
for k=1:length(J)
P(k)=(Tau(visited(end),J(k))^Alpha)*(Eta(visited(end),J(k))^Beta);
end
P=P/(sum(P));
Pcum=cumsum(P);
Select=find(Pcum>=rand);
if isempty(Select)%是不是一定能保證Select不為空
Tabu(i,j)=round(1+(n-1)*rand);
else
next_visit=J(Select(1));
Tabu(i,j)=next_visit;
end
end
end
if nC>=2
Tabu(1,:)=R_best(nC-1,:);
end
L=zeros(m,1);
for i=1:m
R=Tabu(i,:);
for j=1:(n-1)
L(i)=L(i)+d(R(j),R(j+1));
end
L(i)=L(i)+d(R(1),R(n));
end
L_best(nC)=min(L);
pos=find(L==L_best(nC));
R_best(nC,:)=Tabu(pos(1),:);
nC=nC+1;
Delta_Tau=zeros(n,n);
for i=1:m
for j=1:(n-1)
Delta_Tau(Tabu(i,j),Tabu(i,j+1))=Delta_Tau(Tabu(i,j),Tabu(i,j+1))+Q/L(i);
end
Delta_Tau(Tabu(i,n),Tabu(i,1))=Delta_Tau(Tabu(i,n),Tabu(i,1))+Q/L(i);
end
Tau=(1-Rho).*Tau+Delta_Tau;
Tabu=zeros(m,n);
end
Pos=find(L_best==min(L_best));
Shortest_Route=R_best(Pos(1),:);
Shortest_Length=L_best(Pos(1));
end
%%隨機演算法
%city是n行2列的矩陣，每一行表示一個城市的經緯度，一共n個城市
%time表示循環次數，越大，可能找到的路徑最短，當然裡面有隨機性。
function [Shortest_Route,Shortest_Length]=TSP_SuiJiSuanFa(city,times)
n=size(city,1);
d=squareform(pdist(city));
Shortest_Length=inf;
for i=1:times
tempRoute=randperm(n);
tempLength=0;
for j=1:n-1
tempLength=tempLength+d(tempRoute(j),tempRoute(j+1));
end
tempLength=tempLength+d(tempRoute(n),1);
if tempLength<Shortest_Length
Shortest_Length=tempLength;
Shortest_Route=tempRoute;
end
end
end
❹ 求一TSP問題的遺傳演算法實現的教程，特別要講解編碼的方法
我不會用MATLAB編，會用c#。MATLAB編碼步驟應該以下幾步：
1、導入n個城市坐標，並把這n個城市編號（1,2,3,4、、、）；
2、用城市編號隨機生成m個父代（4672、、、；9482、、、）；
3、算出每個父代中的城市距離和並記錄其值；
4、對每一個父代進行交叉，變異等操作形成子代；
5、算出每個子代中的城市距離和並記錄其值；
6、比較父代、子代個體的距離和，留下m個最短的城市距離和對應的個體，若沒達到迭代次數，跳到步驟3，若結束，跳到步驟7；
7、顯示最優個體（即最短路徑的個體）。
❺ 遺傳演算法求解tsp問題的matlab程序
把下面的（1）-（7）依次存成相應的.m文件，在（7）的m文件下運行就可以了
（1） 適應度函數fit.m
function fitness=fit(len,m,maxlen,minlen)
fitness=len;
for i=1:length(len)
fitness(i,1)=(1-(len(i,1)-minlen)/(maxlen-minlen+0.0001)).^m;
end
(2)個體距離計算函數 mylength.m
function len=myLength(D,p)
[N,NN]=size(D);
len=D(p(1,N),p(1,1));
for i=1:(N-1)
len=len+D(p(1,i),p(1,i+1));
end
end
(3)交叉操作函數 cross.m
function [A,B]=cross(A,B)
L=length(A);
if L<10
W=L;
elseif ((L/10)-floor(L/10))>=rand&&L>10
W=ceil(L/10)+8;
else
W=floor(L/10)+8;
end
p=unidrnd(L-W+1);
fprintf('p=%d ',p);
for i=1:W
x=find(A==B(1,p+i-1));
y=find(B==A(1,p+i-1));
[A(1,p+i-1),B(1,p+i-1)]=exchange(A(1,p+i-1),B(1,p+i-1));
[A(1,x),B(1,y)]=exchange(A(1,x),B(1,y));
end
end
(4)對調函數 exchange.m
function [x,y]=exchange(x,y)
temp=x;
x=y;
y=temp;
end
(5)變異函數 Mutation.m
function a=Mutation(A)
index1=0;index2=0;
nnper=randperm(size(A,2));
index1=nnper(1);
index2=nnper(2);
%fprintf('index1=%d ',index1);
%fprintf('index2=%d ',index2);
temp=0;
temp=A(index1);
A(index1)=A(index2);
A(index2)=temp;
a=A;
end
(6)連點畫圖函數 plot_route.m
function plot_route(a,R)
scatter(a(:,1),a(:,2),'rx');
hold on;
plot([a(R(1),1),a(R(length(R)),1)],[a(R(1),2),a(R(length(R)),2)]);
hold on;
for i=2:length(R)
x0=a(R(i-1),1);
y0=a(R(i-1),2);
x1=a(R(i),1);
y1=a(R(i),2);
xx=[x0,x1];
yy=[y0,y1];
plot(xx,yy);
hold on;
end
end
(7)主函數
clear;
clc;
%%%%%%%%%%%%%%%輸入參數%%%%%%%%
N=50; %%城市的個數
M=100; %%種群的個數
C=100; %%迭代次數
C_old=C;
m=2; %%適應值歸一化淘汰加速指數
Pc=0.4; %%交叉概率
Pmutation=0.2; %%變異概率
%%生成城市的坐標
pos=randn(N,2);
%%生成城市之間距離矩陣
D=zeros(N,N);
for i=1:N
for j=i+1:N
dis=(pos(i,1)-pos(j,1)).^2+(pos(i,2)-pos(j,2)).^2;
D(i,j)=dis^(0.5);
D(j,i)=D(i,j);
end
end
%%如果城市之間的距離矩陣已知，可以在下面賦值給D，否則就隨機生成
%%生成初始群體
popm=zeros(M,N);
for i=1:M
popm(i,:)=randperm(N);
end
%%隨機選擇一個種群
R=popm(1,:);
figure(1);
scatter(pos(:,1),pos(:,2),'rx');
axis([-3 3 -3 3]);
figure(2);
plot_route(pos,R); %%畫出種群各城市之間的連線
axis([-3 3 -3 3]);
%%初始化種群及其適應函數
fitness=zeros(M,1);
len=zeros(M,1);
for i=1:M
len(i,1)=myLength(D,popm(i,:));
end
maxlen=max(len);
minlen=min(len);
fitness=fit(len,m,maxlen,minlen);
rr=find(len==minlen);
R=popm(rr(1,1),:);
for i=1:N
fprintf('%d ',R(i));
end
fprintf('\n');
fitness=fitness/sum(fitness);
distance_min=zeros(C+1,1); %%各次迭代的最小的種群的距離
while C>=0
fprintf('迭代第%d次\n',C);
%%選擇操作
nn=0;
for i=1:size(popm,1)
len_1(i,1)=myLength(D,popm(i,:));
jc=rand*0.3;
for j=1:size(popm,1)
if fitness(j,1)>=jc
nn=nn+1;
popm_sel(nn,:)=popm(j,:);
break;
end
end
end
%%每次選擇都保存最優的種群
popm_sel=popm_sel(1:nn,:);
[len_m len_index]=min(len_1);
popm_sel=[popm_sel;popm(len_index,:)];
%%交叉操作
nnper=randperm(nn);
A=popm_sel(nnper(1),:);
B=popm_sel(nnper(2),:);
for i=1:nn*Pc
[A,B]=cross(A,B);
popm_sel(nnper(1),:)=A;
popm_sel(nnper(2),:)=B;
end
%%變異操作
for i=1:nn
pick=rand;
while pick==0
pick=rand;
end
if pick<=Pmutation
popm_sel(i,:)=Mutation(popm_sel(i,:));
end
end
%%求適應度函數
NN=size(popm_sel,1);
len=zeros(NN,1);
for i=1:NN
len(i,1)=myLength(D,popm_sel(i,:));
end
maxlen=max(len);
minlen=min(len);
distance_min(C+1,1)=minlen;
fitness=fit(len,m,maxlen,minlen);
rr=find(len==minlen);
fprintf('minlen=%d\n',minlen);
R=popm_sel(rr(1,1),:);
for i=1:N
fprintf('%d ',R(i));
end
fprintf('\n');
popm=[];
popm=popm_sel;
C=C-1;
%pause(1);
end
figure(3)
plot_route(pos,R);
axis([-3 3 -3 3]);
❻ 求一份基於matlab的TSP問題源代碼
java">function[Shortest_Route,Shortest_Length]=anttsp(city,iter_max,m,Alpha,Beta,Rho,Q)
n=size(city,1);
d=zeros(n,n);
d=squareform(pdist(city));
Eta=1./d;
Tau=ones(n,n);
Tabu=zeros(m,n);
nC=1;
R_best=zeros(iter_max,n);
L_best=inf.*ones(iter_max,1);whilenC<=iter_max
route=[];
fori=1:ceil(m/n)
route=[route,randperm(n)];
end
Tabu(:,1)=(route(1,1:m))';
forj=2:n
fori=1:m
visited=Tabu(i,1:(j-1));
J=zeros(1,(n-j+1));
P=J;
Jc=1;
fork=1:n
ifisempty(find(visited==k,1))
J(Jc)=k;
Jc=Jc+1;
end
end
fork=1:length(J)
P(k)=(Tau(visited(end),J(k))^Alpha)*(Eta(visited(end),J(k))^Beta);
end
P=P/(sum(P));
Pcum=cumsum(P);
Select=find(Pcum>=rand);
ifisempty(Select)%是不是一定能保證Select不為空
Tabu(i,j)=round(1+(n-1)*rand);
else
next_visit=J(Select(1));
Tabu(i,j)=next_visit;
end
end
end
ifnC>=2
Tabu(1,:)=R_best(nC-1,:);
end
L=zeros(m,1);
fori=1:m
R=Tabu(i,:);
forj=1:(n-1)
L(i)=L(i)+d(R(j),R(j+1));
end
L(i)=L(i)+d(R(1),R(n));
end
L_best(nC)=min(L);
pos=find(L==L_best(nC));
R_best(nC,:)=Tabu(pos(1),:);
nC=nC+1;
Delta_Tau=zeros(n,n);
fori=1:m
forj=1:(n-1)
Delta_Tau(Tabu(i,j),Tabu(i,j+1))=Delta_Tau(Tabu(i,j),Tabu(i,j+1))+Q/L(i);
end
Delta_Tau(Tabu(i,n),Tabu(i,1))=Delta_Tau(Tabu(i,n),Tabu(i,1))+Q/L(i);
end
Tau=(1-Rho).*Tau+Delta_Tau;
Tabu=zeros(m,n);
end
Pos=find(L_best==min(L_best));
Shortest_Route=R_best(Pos(1),:);
Shortest_Length=L_best(Pos(1));
end
❼ MATLAB中遺傳演算法編程中，二進制編碼如何處理實數變數
假如你想要編碼為x，設x的范圍是【min,max】，二進制編碼長度為10，那二進解碼方式是：x*（max-min)/1023,這個不用開始編碼，開始你可以用rand(n,10)產生n個樣本的隨機數，然後優化即可。
不是能把「數學模型中的目標函數和每一條約束函數分別編程Matlab里的M文件」，是你用遺傳演算法就必須要編進去，電腦怎麼知道往哪個方向優化是好的，要不把你郵箱留下，我給你發個尋求最大值的遺傳演算法。
❽ tSp Concorder演算法原理
tsp問題遺傳演算法將多目標按照線性加權的方式轉化為單目標，然後應用傳統遺傳演算法求解
其中w_i表示第i個目標的權重，f_k表示歸一化之後的第i個目標值。我們很容易知道，這類方法的關鍵是怎麼設計權重。比如，Random Weight Genetic Algorithm (RWGA) 採用隨機權重的方式，每次計算適應度都對所有個體隨機地產生不同目標的權重，然後進行選擇操作。Vector-Evaluated Genetic Algorithm (VEGA) 也是基於線性加權的多目標遺傳演算法。如果有K個目標，VEGA 會隨機地將種群分為K個同等大小子種群，在不同的子種群按照不同的目標函數設定目標值，然後再進行選擇操作。VEGA 實質上是基於線性加權的多目標遺傳演算法。VEGA 是第一個多目標遺傳演算法，開啟了十幾年的研究潮流。
1.TSP問題是指假設有一個旅行商人要拜訪n個城市，他必須選擇所要走的路徑，路徑的限制是每個城市只能拜訪一次，而且最後要回到原來出發的城市。路徑的選擇目標是要求得的路徑路程為所有路徑之中的最小值。本文使用遺傳演算法解決att30問題，即30個城市的旅行商問題。旅行商問題是一個經典的組合優化問題。一個經典的旅行商問題可以描述為：一個商品推銷員要去若干個城市推銷商品，該推銷員從一個城市出發，需要經過所有城市後，回到出發地。應如何選擇行進路線，以使總的行程最短。從圖論的角度來看，該問題實質是在一個帶權完全無向圖中，找一個權值最小的Hamilton迴路。由於該問題的可行解是所有頂點的全排列，隨著頂點數的增加，會產生組合爆炸，它是一個NP完全問題。TSP問題可以分為對稱和不對稱。在對稱TSP問題中，兩座城市之間來回的距離是相等的，形成一個無向圖，而不對稱TSP則形成有向圖。對稱性TSP問題可以將解的數量減少了一半。所以本次實驗的TSP問題使用att48數據，可在tsplib中下載數據包。演化演算法是一類模擬自然界遺傳進化規律的仿生學演算法，它不是一個具體的演算法，而是一個演算法簇。遺傳演算法是演化演算法的一個分支，由於遺傳演算法的整體搜索策略和優化計算是不依賴梯度信息，所以它的應用比較廣泛。我們本次實驗同樣用到了遺傳演算法（用MATLAB編寫）來解決TSP問題。