遗传算法tsp,自适应遗传算法在求解TSP问题中的应用研究
遗传算法tsp,自适应遗传算法在求解TSP问题中的应用研究
旅行商问题（Travelling sale *** an problem， TSP）是这样一个问题：给定一系列城市和每对城市之间的距离，求解访问每一座城市一次并回到起始城市的最短回路。设有n个城市，城市i和城市j之间的距离是 。
适应函数(fitness function)也称对象函数(object function)，这是问题求解品质的测量函数；往往也称为问题的“环境”。一般可以把问题的模型函数作为对象函数；但有时需要另行构造。
遗传算法基本思路：流程图：最常用策略：路径编码 直接采用城市在路径中的位置来构造用于优化的状态。
根据问题固有的知识，设法把握更优解所占的空间在整个问题空间中的分布范围，然后，在次分布范围内设定初始群体。随机生成一定数目的个体，然后从中挑选出更好的个体加入群体。
旅行商问题(TSP)是典型的NP难题组合优化问题之一，且被广泛应用于许多领域，所以研究遗传算法求解TSP具有重要的理论意义和应用价值。
那么TSP问题使下面的目标最小：首先，设置一下参数：这里假设有10个城市，其坐标定义于pos变量，之一行是各个城市的x坐标，第二行是各个城市的y坐标，比如之一个城市的坐标为(1，1)，第三个城市的坐标为(2，2)。
遗传算法：旅行商问题(traveling saleman problem，简称tsp)：已知n个城市之间的相互距离，现有一个推销员必须遍访这n个城市，并且每个城市只能访问一次，最后又必须返回出发城市。
1、step重复step2和step3共pop-size次，这样可以得到pop-size个复制的染色体。
2、旅行商问题（Travelling sale *** an problem， TSP）是这样一个问题：给定一系列城市和每对城市之间的距离，求解访问每一座城市一次并回到起始城市的最短回路。设有n个城市，城市i和城市j之间的距离是 。
3、遗传算法基本思路：流程图：最常用策略：路径编码 直接采用城市在路径中的位置来构造用于优化的状态。
4、根据问题固有的知识，设法把握更优解所占的空间在整个问题空间中的分布范围，然后，在次分布范围内设定初始群体。随机生成一定数目的个体，然后从中挑选出更好的个体加入群体。
5、首先，在变量多，取值范围大或无给定范围时，收敛速度下降；其次，可找到更优解附近，但无法精确确定最扰解位置；最后，遗传算法的参数选择尚未有定量 *** 。
我没怎么用过matlab，但帮你找了下 *** ，希望能帮到你。
遗传算法真不用钱就能解决，现在很多人都在搞，已经非常成熟了。你用C，C#，C++，Matlab都行。这个网址提供的算法行，可以运行，是30个城市，但是你要自行选择交叉概率，突变概率等。
那么TSP问题使下面的目标最小：首先，设置一下参数：这里假设有10个城市，其坐标定义于pos变量，之一行是各个城市的x坐标，第二行是各个城市的y坐标，比如之一个城市的坐标为(1，1)，第三个城市的坐标为(2，2)。
．遗传算法从问题解的中集开始嫂索，而不是从单个解开始。这是遗传算法与传统优化算法的极大区别。传统优化算法是从单个初始值迭代求更优解的；容易误入局部更优解。遗传算法从串集开始搜索，复盖面大，利于全局择优。
遗传算法：旅行商问题(traveling saleman problem，简称tsp)：已知n个城市之间的相互距离，现有一个推销员必须遍访这n个城市，并且每个城市只能访问一次，最后又必须返回出发城市。
遗传算法是种群择优，模拟退火是择优降火，里头的差别不大，就是生成新链，然后计算适应度什么的。这两种优化算法都能解决TSP问题，源代码没有，不过matlab有工具箱可以实现吧，你再找找。
