人工智能课程设计汇报.pptVIP

*基于遗传算法的TSP问题产生式系统的应用by计算机科学与技术1401 张凯歌基于遗传算法的TSP问题TSP问题，即旅行商问题。假设有一个旅行商人要拜访n个城市，他必须选择所要走的路径，路径的限制是每个城市只能拜访一次，而且最后要回到原来出发的城市。路径的选择目标是要求得的路径路程为所有路径之中的最小值。种群初始化。01个体编码方法有：二进制编码和实数编码。02每一条染色体就是一种编码，在解决TSP问题过程中个体编码方法为实数编码。03对于TSP问题，实数编码为1-n的实数的随机排列。04初始化的参数有城市个数，种群规模、进化次数、交叉概率、变异概率05遗传算法求解TSP的基本步骤STEP3STEP2STEP1适应度函数。在TSP问题中，任意两个城市之间的距离D(i,j)已知，每个染色体（即n个城市的随机排列）可计算出总距离。因此可将一个随机全排列的总距离的倒数作为适应度函数，即距离越短，适应度函数越好，满足TSP要求。遗传算法求解TSP的基本步骤选择操作。采用累计适应度最高的选择策略，即适应度越好的个体被选择的概率越大，同时在选择中保存适应度最高的个体。遗传算法求解TSP的基本步骤交叉操作。相对于个体，随机选择两个个体，随机生成一个交叉位点。交换对应位置两侧的基因片段，同时确保每个个体依然是1-n的随机排列。遗传算法求解TSP的基本步骤变异操作。随机选取个体，随机选取个体的两个基因，进行交换以实现变异操作。0102遗传算法求解TSP的基本步骤流程图核心代码#definenum_C10//城市个数#defineN10//群体规模#definepc0.9//交叉概率#definepm0.1//变异概率#definegenmax500//最大遗传代数structgene//染色体结构{intpath[num_C];//路径doublecost;//个体代价值doublefitness;//个体适应度doubleprobability;//适应度doubleaccumulation;//幸存概率};核心代码voidSelect(structgenegroup[N])//选择{inti,j;intt=1;doublek;Cprobability(group);Caccumulation(group);for(i=0;iN-1;i++){k=Randominteger(0,1);for(j=0;jN-1;j++){if(kgroup[j].accumulation){Copy_gene(group[j],group[t]);t++;break;}}}}voidCross(structgene*p,structgene*q)//交叉{inti,j,cross_point;intson1[num_C],son2[num_C];cross_point=Randominteger1(1,num_C-1);//随机生成交叉位点for(i=0;inum_C;i++){son1[i]=-1;son2[i]=-1;}//子代1前半部分直接从父代p复制for(i=0;icross_point;i++)son1[i]=p-path[i];//子代后半部分来自父代qfor(i=cross_point;inum_C;i++){for(j=0;jnum_C;j++){if(Search_son(son1,q-path[j])==1){son1[i]=q-path[j];break;}核心代码voidVaration(structgenegroup[N])//变异{