基于TSP的遗传算法优化研究
| 摘要 | 第1-5页 |
| Abstract | 第5-9页 |
| 引言 | 第9-10页 |
| 1 遗传算法概述 | 第10-16页 |
| ·生物进化 | 第10页 |
| ·进化算法和遗传算法的特点 | 第10-12页 |
| ·遗传算法的发展 | 第12页 |
| ·遗传算法的应用领域及研究方向 | 第12-13页 |
| ·遗传算法和其他搜索方法的比较 | 第13-14页 |
| ·遗传算法的优缺点 | 第14-16页 |
| 2 遗传算法的基本原理 | 第16-23页 |
| ·基本流程 | 第16-17页 |
| ·编码 | 第17-19页 |
| ·适应性函数 | 第19页 |
| ·遗传算子 | 第19-20页 |
| ·选择算子 | 第19页 |
| ·交叉算子 | 第19-20页 |
| ·变异算子 | 第20页 |
| ·参数控制 | 第20-21页 |
| ·群体容量(n) | 第20-21页 |
| ·交叉率(Pc) | 第21页 |
| ·变异率(Pm) | 第21页 |
| ·算法结束条件的判定 | 第21-23页 |
| 3 TSP问题概述 | 第23-27页 |
| ·问题的描述 | 第23页 |
| ·TSP的应用 | 第23页 |
| ·TSP的进展 | 第23-24页 |
| ·现有的TSP计算方法 | 第24-27页 |
| ·穷举搜索法 | 第24页 |
| ·贪婪法 | 第24页 |
| ·动态规划法 | 第24-25页 |
| ·分支定界法 | 第25页 |
| ·插入算法 | 第25页 |
| ·最近邻算法 | 第25页 |
| ·神经网络算法 | 第25页 |
| ·模拟退火算法 | 第25-26页 |
| ·自适应蚁群算法 | 第26页 |
| ·遗传算法 | 第26-27页 |
| 4 求解TSP问题的遗传算法 | 第27-37页 |
| ·编码 | 第27页 |
| ·适应性函数的设定 | 第27-31页 |
| ·排名变比 | 第29页 |
| ·西格玛变化 | 第29-30页 |
| ·波兹曼变比 | 第30-31页 |
| ·各参数的设定 | 第31页 |
| ·群体容量 | 第31页 |
| ·交叉率 | 第31页 |
| ·变异率 | 第31页 |
| ·选择算子 | 第31-33页 |
| ·适应值比例选择 | 第31-32页 |
| ·锦标赛选择 | 第32页 |
| ·稳态选择 | 第32-33页 |
| ·精英选择 | 第33页 |
| ·随机遍及取样 | 第33页 |
| ·适应性比例选择 | 第33页 |
| ·交叉算子 | 第33-35页 |
| ·部分映射交叉 | 第34页 |
| ·基于顺序的交叉 | 第34页 |
| ·基于位置的交叉 | 第34-35页 |
| ·变异算子 | 第35-37页 |
| ·交换变异 | 第35页 |
| ·散播变异 | 第35页 |
| ·移位变异 | 第35页 |
| ·插入变异 | 第35页 |
| ·倒置变异 | 第35-36页 |
| ·倒置位移变异 | 第36-37页 |
| 5 简单TSP测试 | 第37-43页 |
| ·初始化城市位置 | 第37-38页 |
| ·遗传策略的设定 | 第38页 |
| ·初始化群体 | 第38-39页 |
| ·计算适应值 | 第39-40页 |
| ·赌轮选择 | 第40页 |
| ·部分映射交叉 | 第40-41页 |
| ·插入变异 | 第41页 |
| ·新一代群体适应分分析 | 第41-42页 |
| ·测试结果 | 第42-43页 |
| 6 改进的优化方法 | 第43-51页 |
| ·选择算子的改进 | 第43-44页 |
| ·变异算子的改进 | 第44-46页 |
| ·改进算法与已有算法的测试比较 | 第46-49页 |
| ·环型TSP测试 | 第49-51页 |
| 结论 | 第51-52页 |
| 参考文献 | 第52-53页 |
| 附录A 主要程序 | 第53-58页 |
| 攻读硕士学位期间发表学术论文情况 | 第58-59页 |
| 致谢 | 第59-60页 |
