计算智能-遗传算法二

YiLin_huang

于 2019-11-19 23:43:49 发布

阅读量885

点赞数

分类专栏：计算智能

本文链接：https://blog.youkuaiyun.com/YiLin_huang/article/details/103152174

版权

本文介绍了遗传算法在解决旅行商问题（TSP）中的应用，通过调整交叉概率、变异概率和种群大小，探讨其对全局优化的影响。实验结果显示，种群数量增加能加速收敛，而交叉概率接近1时效果更佳，但变异概率过高可能破坏最优解。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

一、算法介绍

关于本算法的原理介绍在之前的博客中已经提到过了，这边就不细说了。详情请点击此处计算智能-遗传算法.
上一博客中讲述的遗传算法是求tsp问题的最短路径，但是在上一种解法，我们是对函数进行优化，属于局部的优化，该算法找到的哈密顿回路很可能是局部的最优解，本次遗传算法要进行的是一种全局优化，尽可能的找到符合条件的哈密顿回路。

二、算法主要代码

1、cross.m

function [A,B]=cross(A,B)
L=length(A);
if L<10
    W=L;
elseif ((L/10)-floor(L/10))>=rand&&L>10
    W=ceil(L/10)+8;
else
    W=floor(L/10)+8;
end
%%W为需要交叉的位数
p=unidrnd(L-W+1);%随机产生一个交叉位置
%fprintf('p=%d ',p);%交叉位置
for i=1:W
    x=find(A==B(1,p+i-1));
    y=find(B==A(1,p+i-1));
    [A(1,p+<

最低0.47元/天解锁文章