1 简介TSP问题是典型的NP-hard组合优化问题,遗传算法是求解此类问题的一种方法,但它存在如何较快地找到全局最优解,并防止早熟收敛的问题.针对上述问题并结合TSP问题的特点,提出将遗传算法与模拟退火算法相结合形成遗传模拟退火算法.为了解决群体的多样性和收敛速度的矛盾,采用了部分近邻法来生成初始种群,生成的初始种群优于随机产生初始种群.仿真实验结果证明,该算法相对于基本遗传算法的收敛速度,搜索质量和最优解输出概率方面有了明显的提高.2 部分代码% % %输入input 文本文件[序号,x坐标,y坐标] %输出bestRoute 全局最优路线 %输出bestL 全局最优路线对应的路径长度 function [bestRoute,bestL]SAGA_TSP(filename) %% 输入数据 inputimportdata(filename); nsize(input,1); %n-城市数目 vertexsinput(:,2:3); %城市xy坐标 xvertexs(:,1); %x坐标 yvertexs(:,2); %y坐标 hpdist(vertexs); distsquareform(h); %距离矩阵 %% 遗传算法参数设置 NIND50; %种群大小 MAXGEN10; %迭代次数 GGAP0.9; %代沟 Pc0.8; %交叉概率 Pm0.2; %变异概率 pSwap0.2; %选择交换结构的概率 pReversion0.5; %选择逆转结构的概率 pInsertion1-pSwap-pReversion; %选择插入结构的概率 Nn; %染色体长度城市数目 %% 模拟退火算法参数 MaxOutIter300; %外层循环最大迭代次数 MaxInIter15; %里层循环最大迭代次数 T00.025; %初始温度 alpha0.99; %冷却因子 %% 种群初始化 ChromInitPop(NIND,N); %% 优化 while genMAXGEN if minObjbestL bestChromChrom(minIndex,:); bestLminObj; end %% 记录每一代全局最优个体及其总距离 BestChrom(gen,:)bestChrom; BestL(gen,:)bestL; %% 显示外层循环每次迭代的信全局最优路线的总距离 disp([第 num2str(gen) 次迭代全局最优路线总距离 num2str(bestL)]); %% 画出每次迭代的全局最优路线图 figure(1); PlotRoute(bestChrom,x,y) pause(0.01); %% 计数器加1 gengen1; end bestRoutebestChrom; %全局最优路线 %% 打印每次迭代的全局最优个体的总距离变化趋势图 figure; plot(BestL,LineWidth,1); title(优化过程) xlabel(迭代次数); ylabel(总距离); end3 仿真结果4 参考文献[1]乔彦平, 张骏. 基于一种改进遗传模拟退火算法的TSP求解[J]. 计算机仿真, 2009(5):4.部分理论引用网络文献若有侵权联系博主删除。