CityNum=30;%城市数目,可以选10,30,50,75 [dislist,Clist]=tsp(CityNum);%dislist为城市之间相互的距离,Clist为各城市的坐标 inn=30;%初始种群大小 gnMax=500;%最大代数 crossProb=0.8;%交叉概率 muteProb=0.8;%变异概率 %随机产生初始种群 population=zeros(inn,CityNum);%population为初始种群,包括多条...
旅行商问题是一个典型的组合优化问题,并且是一个np难问题,其可能的路径数目与城市数目n是成指数型增长的,所以一般很难精确地求出其最优解,这里采用遗传算法求其近似解。 实验步骤:(1)初始化过程:用v1,v2,v3,…,vn代表所选n个城市。定义整数pop-size作为染色体的个数,并且随机产生pop-size个初始染色体,每个染...
pop.append(np.random.permutation(np.arange(0,city_num))) # 假设有5个城市,初始群体的数目为60个 # 初始化化一个60*1的拼接矩阵,值为0 zero = np.zeros((num,1)) pop = np.column_stack((pop, zero)) # 矩阵的拼接 fitnessFunction(pop,num,city_num,x_position_add_end,y_position_add_end...
1、参考实验系统给出的遗传算法核心代码,要求在相同的种群规模、最大迭代步数、独立运行次数下,用遗传算法求解不同规模(例如10个城市,30个城市,100个城市)的TSP问题,把结果填入表1。 表1 遗传算法求解不同规模的TSP问题的结果 设置种群规模为100,交叉概率为0.8,变异概率为0.8,然后增加1种变异策略(例如相邻两点互换...