下载后可任意编辑遗传算法程序设计探讨:遗传算法程序 1 引言 遗传算法是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化概率搜索算法。总的说来，遗传算法是按不依赖于问题本身的方式去求解问题。它的目标是搜索这个多维、高度非线性空间以找到具有最优适应值(即最小费用的)的点[1]。基本遗传算法是一个迭代过程，它模仿生物在自然环境中的遗传和进化机理，反复将选择算子、交叉算子和变异算子作用于种群，最终可得到问题的最优解和近似最优解。 2 遗传算法程序设计改进比较 2.1 基本遗传算法对 TSP 问题解的影响本文讨论的遗传算法及改进算法的实现是以 C++语言为基础，在 Windows2024 的版本上运行，其实现程序是在MicrosoftVisualStadio6.0 上编写及运行调试的。 1) 遗 传 算 法 的 执 行 代 码 m_Tsp.Initpop();// 种 群 的 初 始 化for(inti=0;idecen||variancedecvar)//m_Tsp.m_gen<100){//将新种群更迭为旧 种 群 ， 并 进 行 遗 传 操 作 m_Tsp.alternate();// 将 新 种 群 付 给 旧 种 群m_Tsp.generation();//对旧种群进行遗传操作，产生新种群 m_Tsp.m_gen++;m_Tsp.statistics();//对新产生的种群进行统计} 2)简单的遗传算法与分支定界法对 TSP 问题求解结果的对比遗传算法在解决 NPC 问题的领域内具有寻找最优解的能力。但随着城市个数的增加，已没有精确解，无法确定遗传算法求解的精度有多高。一般情况下，当迭代代数增大时，解的精度可能高，但是时间开销也会增大。因此可以通过改进遗传算法来提高搜索能力，提高解的精度。表 110 个城市的 TSP 问题求解结果数据算法试验 结 果 简 单 遗 传 算 法 分 支 定 界 法 最 佳 解 时 间 精 确 解 时 间 试 验12448.xxxxs2448.xxxx ： 07 ： 30 试 验 22448.xxxxs 试 验 32448.xxxxs 试 验42459.xxxxs 试验 52459.xxxxs 2.2 初始化时的启发信息对 TSP 问题解的影响 1)初始化启发信息在上述实验算法的基础上，对每一个初始化的个体的每1下载后可任意编辑五个相邻城市用分支界定法寻找最优子路径，然后执行遗传算法。 2)遗传算法与含有启发信息的遗传算法求解结果的对比当城市数增至 20 个时，用分支定界法已经不可能在可以接受的时间内得到精确的解了，只能通过近似算法获得其可接受的解。试验设计中算法的截止条件：固定迭代 1000 代。表 2 中的平均最...
