智能信息处理实验报告..docx

智能信息处理实验报告一、实验目的掌握遗传算法的基本原理和程序流程。理解TSP问题的基本概念。能利用遗传算法求解TSP问题。二、实验环境与设备实验由1个学生独立完成，实验环境：笔记本电脑（Eclipse /Android Studio IDE）。三、预备知识1、TSP问题基本概念TSP问题即旅行商问题（Traveling Salesperson Problem）。该问题给定n个城市和两两城市之间的距离，要求确定一条经过各城市当且仅当一次的最短路线。其图论描述为：给定图G=(V, A)，其中V为顶点集，A为各顶点相互连接组成的边集，已知各顶点间的连接距离，要求确定一条长度最短的Hamilton回路，即遍历所有顶点当且仅当一次的最短回路。2、遗传算法的基本原理遗传算法是一类随机优化算法，但它不是简单的随机比较有哪些信誉好的足球投注网站，而是通过对染色体的评价和对染色体中基因的作用，有效地利用已有信息来指导有哪些信誉好的足球投注网站有希望改善优化质量的状态。标准遗传算法主要步骤可描述如下：随机产生一组初始个体构成初始种群。计算每一个体的适配值（fitness value，也称为适应度）。适应度值是对染色体(个体)进行评价的一种指标，是GA进行优化所用的主要信息，它与个体的目标值存在一种对应关系。判断算法收敛准则是否满足，若满足，则输出有哪些信誉好的足球投注网站结果；否则执行以下步骤。根据适应度值大小以一定方式执行复制操作（也称为选择操作）。按交叉概率pc执行交叉操作。按变异概率pm执行变异操作。返回步骤②。标准遗传算法流程图下图所示。NN计算各个体的适配值（适应度）算法收敛准则满足？Yrandom[0,1]Pc?复制（选择）输出有哪些信誉好的足球投注网站结果交叉Yrandom[0,1]Pm?变异N随机产生初始种群Y图2.1 标准遗传算法流程图四、实验内容1、设计算法的编码方式路径编码是描述TSP解的最常用的一种策略。所谓路径编码，即直接采用城市在路径中的位置来构造用于优化的状态。例如：设九城市TSP问题的路径为5-4-1-7-9-8-6-2-3，对应的路径编码为：(5 4 1 7 9 8 6 2 3)。这种编码形式自然直观，易于加入启发式信息，也有利于优化操作的设计。2、设计遗传算法的适应度函数对个体i，计算与路径编码相对应的距离，设为di。显然距离值di越大，适应度值应越小。因此，适应度函数可定义为：。这里我们在算法程序中个体适应度函数定义为：tempf[k] = 10.0 / fitness[k]。3、设计遗传算法的选择操作选择是用来确定交叉个体，以及被选个体将产生多少个子代个体。它是基于适应度值计算基础上进行的。在实现算法的程序中，挑选种群中适应度最高的个体。挑选函数为selectBestGh()。挑选策略为赌轮选择策略。函数实现： public void select() { int k, i, selectId; float ran1; for (k = 1; k scale; k++) { ran1 = (float) (random.nextInt(65535) % 1000 / 1000.0); // 产生方式 for (i = 0; i scale; i++) { if (ran1 = Pi[i]) { break; } } selectId = i; // System.out.println(选中 + selectId); copyGh(k, selectId); } } 在被选集中，每个个体都有一个选择概率，这个概率由种群中个体的适应度及其分布决定。若某个个体i，其适应度为fi，则其被选取的概率表示为：。函数实现： 计算种群中各个个体的累积概率，前提是已经计算出各个个体的适应度fitness[max]，作为赌轮选择策略一部分，Pi[max] void countRate() { int k; double sumFitness = 0;// 适应度总和 double[] tempf = new double[scale]; for (k = 0; k scale; k++) { tempf[k] = 10.0 / fitness[k]; sumFitness += tempf[k]; } Pi[0] = (float) (tempf[0] / sumFitness); for (k = 1; k scale; k++) { Pi[k] = (float) (tempf[k] / sumFitness + Pi[k - 1]); } } 为了选择交叉个体，需要进行多轮选择，每一轮产生一个[0, 1]均匀随机数，将该随机数作为选择指针来确定被选个体。4、设计遗传算法的交叉操作在选择操作的