【TSP问题】基于免疫算法求解旅行商问题
作者：互联网
文章目录
一、理论基础
二、案例背景
1、问题描述
假设有一个旅行商人要拜访某些城市，他需要选择所要走的路径，路径的限制是每个城市只能拜访一次，而且最后要回到原来出发的城市。路径的选择要求是：所选路径的路程为所有路径之中的最小值。
其中一个城市位置分布图如图1所示。
图1 城市分布图
2、解决思路及步骤
(1). 算法流程
免疫优化算法求解TSP问题的流程如图2所示。
图2 算法流程图
(2). 算法实现过程
（1）初始化免疫个体维数为城市个数N NN，免疫种群个体数为N P = 200 NP=200NP=200，最大免疫代数为G = 1000 G=1000G=1000，克隆个数为N c l = 10 Ncl=10Ncl=10，计算任意两个城市间的距离矩阵D DD。
（2）随机产生初始种群，计算个体亲和度（即路径距离），并按亲和度升序排列。
（3）在取亲和度前对N P / 2 NP/2NP/2个个体进行克隆操作，并对每个源个体产生的克隆个体进行任意交换两个城市的变异操作；然后计算其亲和度，进行克隆抑制操作，只保留亲和度最高的个体，从而产生新的免疫种群。
（4）随机生成N P / 2 NP/2NP/2个个体的新种群，并计算个体亲和度；免疫种群和随机种群合并，按亲和度排序，进行免疫迭代。
（5）判断是否满足终止条件：若满足，则结束搜索过程，输出优化值；若不满足，则继续进行迭代优化。
1、程序源码
- 计算路径长度函数
function len = PathLength(D, Chrom)
%% 计算各个体的路径长度
% 输入：
% D 两两城市之间的距离
% Chrom 个体的轨迹
[row, col] = size(D);
NIND = size(Chrom,1);
len = zeros(NIND,1);
for i = 1:NIND
p = [Chrom(i,:) Chrom(i,1)];
i1 = p(1:end-1);
i2 = p(2:end);
len(i, 1) = sum(D((i1-1)*col+i2));
end
- 画出路线轨迹图的函数
function DrawPath(Chrom,X)
%% 画路径函数
% 输入
% Chrom 待画路径
% X 各城市坐标位置
R = Chrom(1, :); % 一个随机解(个体)
n = size(X, 1);
figure;
plot([X(R(1), 1), X(R(n), 1)], [X(R(1), 2) ,...
X(R(n), 2)], 'ms-', 'LineWidth', 2, 'MarkerEdgeColor', 'k', 'MarkerFaceColor', 'g')
hold on
for i = 2:n
plot([X(R(i-1), 1),X(R(i), 1)], [X(R(i-1), 2),...
X(R(i), 2)], 'ms-', 'LineWidth', 2, 'MarkerEdgeColor', 'k', 'MarkerFaceColor', 'g')
hold on
end
plot(X(R(1), 1), X(R(1), 2), 'bv', 'MarkerSize', 20)
plot(X(R(end), 1), X(R(end), 2), 'bs', 'MarkerSize', 20)
text(X(R(1),1)+0.03, X(R(1),2)+0.03, [' 起点' num2str(R(1))], 'color', [1,0,0]);
text(X(R(end),1)+0.03, X(R(end),2)+0.03, [' 终点' num2str(R(end))], 'color', [1,0,0]);
for i = 1:size(X,1)
if R(1) ~= i && R(end) ~= i
text(X(i,1)+0.03, X(i,2)+0.03, num2str(i), 'color', [0,0,0]);
end
end
grid on
xlabel('横坐标')
ylabel('纵坐标')
title('轨迹图')
- 主函数
clear;
clc;
%% 加载数据，画出城市位置
load CityPosition3.mat
figure;
plot(X(:, 1), X(:, 2), 'ms', 'LineWidth', 2, 'MarkerEdgeColor', 'k', 'MarkerFaceColor', 'g')
for i = 1:size(X, 1)
text(X(i, 1)+0.03, X(i, 2)+0.03, num2str(i));
end
legend('城市位置')
title('城市分布图', 'fontsize', 12)
xlabel('km', 'fontsize', 12)
ylabel('km', 'fontsize', 12)
grid on;
%% 初始化参数
N = size(X, 1); % 城市数量
D = zeros(N); % 距离矩阵
% 求任意两个城市距离间隔矩阵
for i = 1:N
for j = i+1:N
D(i, j) = sqrt(sum((X(i, :)-X(j, :)).^2));
D(j, i) = D(i, j); % 利用D是对称矩阵的性质
end
end
NP = 200; % 免疫个体数目
G = 1000; % 最大免疫代数
Chrom = zeros(NP, N); % 种群
% 初始化种群
for i = 1:NP
Chrom(i, :) = randperm(N); % 随机生成初始种群
end
len = PathLength(D, Chrom); % 各个体路径长度
[Sortlen, Index] = sort(len);
SortChrom = Chrom(Index, :); % 种群个体排序
gen = 1; % 免疫代数初值
Ncl = 10; % 克隆个数
%% 画出随机解的路线图
DrawPath(Chrom(1, :), X);
%% 输出随机解的路线和总距离
disp('初始种群中的一个随机值:')
OutputPath(Chrom(1,:));
Rlength = PathLength(D,Chrom(1,:));
disp(['总距离：', num2str(Rlength)]);
disp('~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~')
%% 免疫算法迭代优化
while gen<G
for i = 1:NP/2
%% 选亲和度前NP/2个个体进行免疫操作
c = SortChrom(i, :);
chrom = repmat(c, Ncl, 1);
for j = 1:Ncl
while 1
p1 = floor(1+N*rand());
p2 = floor(1+N*rand());
if p1 ~= p2
break;
end
end
temp = chrom(j, p1);
chrom(j, p1) = chrom(j, p2);
chrom(j, p2) = temp;
end
chrom(1, :) = SortChrom(i, :); % 保留克隆源个体
%% 克隆抑制，保留亲和度最高的个体
chromLen = PathLength(D, chrom);
[SortChromLen, index] = sort(chromLen);
Sortchrom = chrom(index, :);
ch(i, :) = Sortchrom(1, :);
chLen(i) = SortChromLen(1);
end
%% 种群更新
for i = 1:NP/2
rc(i, :) = randperm(N); % 随机生成种群
end
rcLen = PathLength(D, rc); % 计算路径长度
%% 免疫种群与新种群合并
Chrom = [ch; rc];
len = [chLen'; rcLen];
[Sortlen, index] = sort(len);
SortChrom = Chrom(index, :);
% 迭代次数加1，记录最优值
trace(gen) = Sortlen(1);
gen = gen+1;
end
%% 画出最优解的路线图
ShortestPath = SortChrom(1, :); % 最优路径
ShortestLength = trace(end); % 最短距离
DrawPath(ShortestPath, X)
figure;
plot(trace, 'r', 'LineWidth', 2);
xlabel '迭代次数'; ylabel '路径距离';
title '亲和度进化曲线';
%% 输出最优解的路线和总距离
disp('最优路线：')
p = OutputPath(ShortestPath);
disp(['最短距离：', num2str(ShortestLength)]);
disp('-------------------------------------------------------------')
2、结果分析
优化前的一个随机路线轨迹图如图3所示。
图3 随机路线图
初始种群中的一个随机值:
20—>31—>18—>25—>8—>9—>7—>19—>27—>10—>2—>26—>16—>1—>6—>15—>28—>13—>14—>22—>17—>3—>21—>23—>12—>4—>29—>11—>30—>24—>5—>20
总距离：42.7564
~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~~
优化后的路线轨迹如图4所示。
图4 优化后的路线轨迹图
亲和度进化曲线如图5所示。
图5 亲和度进化曲线
最优路线：
14—>12—>13—>7—>5—>2—>10—>9—>8—>4—>16—>6—>11—>23—>20—>21—>22—>18—>3—>17—>19—>24—>25—>26—>28—>27—>30—>31—>29—>1—>15—>14
最短距离：15.9262
-------------------------------------------------------------
由优化图可以看出，优化前后路径长度得到很大改进，接近300代后路径长度已经保持不变了，可以认为是最优解了，总距离由优化前的42.7564减少到优化后的15.9262，减为原来的37.2%。
标签：种群,路径,end,求解,亲和度,个体,算法,Chrom,TSP 来源： https://blog.51cto.com/u_15287693/2997928