遺傳算法程序設計探討

1、遺傳算法程序設計探討         摘  要本文通過對基本遺傳算法添加初始化啟發(fā)信息、改進交叉算子和利用本身所固有的并行性構(gòu)架粗粒度并行遺傳算法等方法提高了遺傳算法的收斂性及其尋優(yōu)能力。     關(guān)鍵詞  遺傳算法；TSP；交叉算子      1  引言    遺傳算法是模擬生物在環(huán)境中的遺傳和進化過程而形成的一種自適應全局優(yōu)化概率搜索算法?？偟恼f來，遺傳算法是按不

2、依賴于問題本身的方式去求解問題。它的目標是搜索這個多維、高度非線性空間以找到具有最優(yōu)適應值(即最小費用的)的點1。     基本遺傳算法是一個迭代過程，它模仿生物在自然環(huán)境中的遺傳和進化機理，反復將選擇算子、交叉算子和變異算子作用于種群，最終可得到問題的最優(yōu)解和近似最優(yōu)解。 2 遺傳算法程序設計改進比較2.1 基本遺傳算法對TSP問題解的影響    本文研究的遺傳算法及改進算法的實現(xiàn)是以C+語言為基礎，在Windows2000的版本上運行，其實現(xiàn)程序是在Microsoft Visual Stadio 6.0上編寫及運行調(diào)試的。

3、60;   1) 遺傳算法的執(zhí)行代碼 m_Tsp.Initpop()；            /種群的初始化 for(int i=0；i<m_Tsp.ReturnPop()；i+)          m_Tsp.calculatefitness(i)；  /各個個體的適應值 m_Tsp.statistics()；     

4、    /統(tǒng)計最優(yōu)個體 while(entropy>decen|variance>decvar)/m_Tsp.m_gen<100) /將新種群更迭為舊種群，并進行遺傳操作 m_Tsp.alternate()；         /將新種群付給舊種群 m_Tsp.generation()；        /對舊種群進行遺傳操作，產(chǎn)生新種群 m_Tsp.m_gen+； m_Tsp.statistics()

5、；        /對新產(chǎn)生的種群進行統(tǒng)計     2) 簡單的遺傳算法與分支定界法對TSP問題求解結(jié)果的對比     遺傳算法在解決NPC問題的領(lǐng)域內(nèi)具有尋找最優(yōu)解的能力。但隨著城市個數(shù)的增加，已沒有精確解，無法確定遺傳算法求解的精度有多高。一般情況下，當?shù)鷶?shù)增大時，解的精度可能高，但是時間開銷也會增大。因此可以通過改進遺傳算法來提高搜索能力，提高解的精度。    表1  10個城市的TSP問題求解結(jié)果數(shù)據(jù)&#

6、160;   算法 試驗結(jié)果簡單遺傳算法分支定界法最佳解時間精確解時間試驗12448.6100375s    2448.610037    00：07：30試驗22448.61003713s試驗32448.6100379s試驗42459.54305410s試驗52459.5430547s    2.2  初始化時的啟發(fā)信息對TSP問題解的影響    1) 初始化啟發(fā)信息     在上述實驗算法的基礎上，對每一個初始化

7、的個體的每五個相鄰城市用分支界定法尋找最優(yōu)子路徑，然后執(zhí)行遺傳算法。     2) 遺傳算法與含有啟發(fā)信息的遺傳算法求解結(jié)果的對比     當城市數(shù)增至20個時，用分支定界法已經(jīng)不可能在可以接受的時間內(nèi)得到精確的解了，只能通過近似算法獲得其可接受的解。試驗設計中算法的截止條件：固定迭代1000代。表2中的平均最優(yōu)解為經(jīng)過多次試驗(10次以上)得到的最優(yōu)解的平均值，最優(yōu)解的出現(xiàn)時間為最優(yōu)解出現(xiàn)的平均時間，交叉操作次數(shù)為最優(yōu)解出現(xiàn)時交叉次數(shù)的平均值。    表2  20個城市的TSP問題求

8、解結(jié)果數(shù)據(jù)    算法交叉操作 次數(shù)最優(yōu)解 出現(xiàn)時間平均 最優(yōu)解簡單遺傳算法80244.479.4s1641.8含初始化啟發(fā)信息的GA79000.237.4s1398.9        從表2中可以看出，當初始種群時引入啟發(fā)信息將提高遺傳算法的尋優(yōu)能力。同時縮短了遺傳算法的尋優(yōu)時間和問題的求解精度。 2.3  交叉算子對TSP問題解的影響    1)循環(huán)貪心交叉算子的核心代碼 for(i=1；i<m_Chrom；i+)   fla

9、g=0；   city=m_newpopfirst.chromi-1；         /確定當前城市   j=0；   while(flag=0&&j<4)         sign=adjcitycityj； /adjcity數(shù)組的數(shù)據(jù)為當前城市按順序排列的鄰接城市       flag=judge(first，i，sign)；  /判斷此鄰

10、接城市是否已經(jīng)存在待形成的個體中       j+；     if(flag= =0)       /如果所有鄰接城市皆在待擴展的個體中         while(flag= =0)                  sign=(int)rand()/(RA

11、ND_MAX/(m_ Chrom-1)；     /隨機選擇一城市            flag=judge(first，i，sign)；           if(flag=1)       m_newpopfirst.chromi=sign；       2)問題描述與結(jié)果比較  &

12、#160;  下面筆者用經(jīng)典的測試遺傳算法效率的Oliver TSP問題來測試循環(huán)貪心交叉算子的解的精度和解效率。Oliver TSP問題的30個城市位置坐標如表3所示2。    表3  Oliver TSP問題的30個城市位置坐標    城市編號坐標城市編號坐標城市編號坐標1(87，7)11(58，69)21(4，50)2(91，83)12(54，62)22(13，40)3(83，46)13(51，67)23(18，40)4(71，44)14(37，84)24(24，42)5(64，60)15(41，94)25(25，38)6(68，58)16(2，99)26(41，26)7(83，69)17(7，64)27(45，21)8(87，76)18(22，60)28(44，35)9(74，78)19(25，62)29(58，35)10(71，71)20(18，54)30(62，32)  表4  貪心交叉與部分匹配交叉的比較(Oliver TSP問題的30個城市)    交叉算子交叉操作次數(shù)平均時