MTSP问题遗传算法解决及其代码与案例

目录

遗传算法解决MTSP问题

个体的基因型:

基本算法:

代码及其解释

案例:

遗传算法代码:

代码结果

​ 

关于其他MTSP问题

同一起点同一终点:

随机起点随机终点


 

遗传算法解决MTSP问题

问题类型:解决所有旅行商从同一地点出发,但不回到出发点,且各旅行商的终点不同。

个体的基因型:

一个个体的基因型包含两段:

1、路径基因型

2、中断点基因型

这些意味着什么呢?假设有3个旅行商,10个城市,城市代号1为起始点,那么假设遗传算法中产生了这么一个个体,他的基因型为:

路径基因型:[2 3 5 6 7 9 10 8]

中断点基因型:[2 4]

那么,这个个体代表的信息为:

旅行商1的旅游路径:1 2 3 

旅行商2的旅游路径:1 5 6 

旅行商3的旅游路径:1 7 9 10 8 

基本算法:

1、设置5000个迭代次数,每一次迭代产生一个最佳个体,若这厮的路径距离小于历史的全局最小值,就作为全局最小值。

2、从本次迭代中的个体,随机分成n组,从每一组中的最佳个体里修改基因片段(有的改路径基因型,有的改中断点基因型),从而得到子代。

3、子代再一次产生最小路径值,若再次小于历史的最小值,则设置他为全局最小值。再次以2的方法产生子代

4、直到5000次迭代结束为止。


代码及其解释

案例:

35个城市,5个旅行商。找到最小路径。

n = 35;    %设置城市个数
xy = 10*rand(n,2);   %随机产生城市的坐标,实际应用中可以自己输入坐标。主要用以画图,真正起作用的是距离矩阵啦。
salesmen = 5;   %设置旅行商的人数
min_tour = 3;    %设置每个旅行商至少走过三个城市(除去起始点和终止点的话就是一个城市)
pop_size = 80;    %设置种群的个数,必须是8的倍数,因为代码中以 8 做为步骤 2 的分组个数
num_iter = 5e3;   %设置迭代总次数, i.e. 5000次
a = meshgrid(1:n);   %用以计算距离矩阵。
dmat = reshape(sqrt(sum((xy(a,:)-xy(a',:)).^2,2)),n,n);   %计算距离矩阵(欧式距离),可以自己输入。
[opt_rte,opt_brk,min_dist] = mtspof_ga(xy,dmat,salesmen,min_tour, ...
    pop_size,num_iter,1,1);  %运行代码

 


遗传算法代码:

根据以上的基本步骤,写出代码如下(包括:检查输入是否合理、画图与统计。) 

function varargout = mtspofs_ga(xy,dmat,salesmen,min_tour,pop_size,num_iter,show_prog,show_res)
% MTSPOFS_GA Fixed Start Open Multiple Traveling Salesmen Problem (M-TSP) Genetic Algorithm (GA)
%   Finds a (near) optimal solution to a variation of the "open" M-TSP by
%   setting up a GA to search for the shortest route (least distance needed
%   for each salesman to travel from the start location to unique individual
%   cities without returning to the starting location)
%
% Summary:
%     1. Each salesman starts at the first point, but travels to a unique
%        set of cities after that (and none of them close their loops by
%        returning to their starting points)
%     2. Except for the first, each city is visited by exactly one salesman
%
% Note: The Fixed Start is taken to be the first XY point
%
% Input:
%     xy (float):城市坐标,可以 2 维或者 3 维。
%     dmat (float) 距离矩阵 N X N 维
%     salesman (scalar integer) 旅行商个数。
%     min_tour (scalar integer) 不包含起始点,每个旅行商最少应该 travel 的数量。
%     pop_size (scalar integer) 遗传算法中个体的数量。
%     num_iter (scalar integer) 算法一共迭代的次数
%     show_prog (scalar logical) 如果等于1,就将迭代过程画出来
%     show_res (scalar logical) 如果等于1,就将算法最后的结果展示出来
%
% Output:
%     opt_rte (integer array) 输出最优个体的路径基因型
%     opt_brk (integer array) 输出最优个体的中断点基因型
%     min_dist (scalar float) 最有个体代表的所有旅行商的距离之和。
%   
%
% Author: Joseph Kirk
% Email: [email protected]
% Release: 1.3
% Release Date: 6/2/09
% commenter: zhuo

%检测输入参数,如果某些参数没有输入,那么改段代码就自动帮你加了。
nargs = 8;
for k = nargin:nargs-1
    switch k
        case 0
            xy = 10*rand(40,2);  % 设置城市坐标的默认值为 40 个,随机产生 2 维坐标
        case 1
            N = size(xy,1);      %设置城市数目 N = size(xy,1)
            a = meshgrid(1:N);  
            dmat = reshape(sqrt(sum((xy(a,:)-xy(a',:)).^2,2)),N,N);  %产生相应的距离矩阵。
        case 2
            salesmen = 5;   %旅行商个数的默认值为 5 个。
        case 3
            min_tour = 2;   %默认每个旅行商至少走 2 个城市
        case 4
            pop_size = 80;
        case 5
            num_iter = 5e3;
        case 6
            show_prog = 1;
        case 7
            show_res = 1;
        otherwise
    end
end

%验证输入是否可行,验证原理为城市个数 N 是否和 距离矩阵的 size相等
[N,dims] = size(xy);
[nr,nc] = size(dmat);
if N ~= nr || N ~= nc
    error('Invalid XY or DMAT inputs!')
end
n = N - 1; % 除去了起始点

% Sanity Checks    还是验证输入:可以不看
salesmen = max(1,min(n,round(real(salesmen(1)))));
%验证输入的旅行商个数是不是大于1,并且是整数,否则帮你四舍五入改了
min_tour = max(1,min(floor(n/salesmen),round(real(min_tour(1)))));
%验证输入的minTour是不是大于1,并且是整数,否则帮你四舍五入改了
pop_size = max(8,8*ceil(pop_size(1)/8));
%验证输入的个体数是否为8的整数(因为后面的分组8个为一组),否则帮你用ceil函数改了
num_iter = max(1,round(real(num_iter(1))));
%验证输入的迭代次数是否大于1,否则帮改了
show_prog = logical(show_prog(1));
%验证是否为1或0,不然帮你改了,下同。
show_res = logical(show_res(1));

num_brks = salesmen-1;   % 设置中断点的个数,下面可以不看。
dof = n - min_tour*salesmen;          
addto = ones(1,dof+1);
for k = 2:num_brks
    addto = cumsum(addto);
end
cum_prob = cumsum(addto)/sum(addto);

% Initialize the Populations
pop_rte = zeros(pop_size,n);          % 所有个体的路径基因型
pop_brk = zeros(pop_size,num_brks);   % 所有个体的中断点基因型
for k = 1:pop_size
    pop_rte(k,:) = randperm(n)+1;    %初始化所有个体的路径基因型。
    %这里为什么加 1 呢?因为我们 n=N-1=34 ,因此产生的路径基因型必须在[2,35]中产生。
    pop_brk(k,:) = randbreaks();   %产生中断点,函数代码在下方(子函数)
end

% 选择画图时的颜色(不同旅行商的路径画在图上要用不同颜色呀)
clr = [1 0 0; 0 0 1; 0.67 0 1; 0 1 0; 1 0.5 0];
if salesmen > 5
    clr = hsv(salesmen);
end

% Run the GA
global_min = Inf;
total_dist = zeros(1,pop_size);   %每个个体的总距离构成的 1X80 维的向量
dist_history = zeros(1,num_iter);   %每一次迭代个数中最优个体的总距离构成的 1X5000 维的向量。
tmp_pop_rte = zeros(8,n);   %暂时变量,用完就丢。用于产生新个体的,(路径的基因型)
tmp_pop_brk = zeros(8,num_brks);    %同上,用于产生新的中断点的基因型
new_pop_rte = zeros(pop_size,n);    %新生代的路径基因型,为一个 80X34 的矩阵,每一行代表每一个个体。
new_pop_brk = zeros(pop_size,num_brks); %同上,用于中断点基因型 80X4 的矩阵。
if show_prog
    pfig = figure('Name','MTSPOFS_GA | Current Best Solution','Numbertitle','off');
end
for iter = 1:num_iter     %计算一次迭代过程中,每一个个体的总距离
    for p = 1:pop_size
        d = 0;
        p_rte = pop_rte(p,:);
        p_brk = pop_brk(p,:);
        rng = [[1 p_brk+1];[p_brk n]]';
        for s = 1:salesmen
            d = d + dmat(1,p_rte(rng(s,1))); % 加上起点到第二个城市的距离
            
            %计算路径中城市的总距离:
            for k = rng(s,1):rng(s,2)-1
                d = d + dmat(p_rte(k),p_rte(k+1));
            end
        end
        total_dist(p) = d;  %将每一个个体的距离存入到矩阵中。
    end

    % Find the Best Route in the Population
    [min_dist,index] = min(total_dist);   %找到最优个体(index)
    dist_history(iter) = min_dist;   %将其总距离存入到历史矩阵中。
    %下一步是比较当前最优与全局最优,如果比他还小,那么就替换全局最优。
    %并更新当前的路径图。
    if min_dist < global_min 
        global_min = min_dist;
        opt_rte = pop_rte(index,:);
        opt_brk = pop_brk(index,:);
        rng = [[1 opt_brk+1];[opt_brk n]]';
        %更新路径图。
        if show_prog
            % Plot the Best Route
            figure(pfig);
            for s = 1:salesmen
                rte = [1 opt_rte(rng(s,1):rng(s,2))];
                if dims == 3, plot3(xy(rte,1),xy(rte,2),xy(rte,3),'.-','Color',clr(s,:));
                else plot(xy(rte,1),xy(rte,2),'.-','Color',clr(s,:)); end
                title(sprintf('Total Distance = %1.4f, Iteration = %d',min_dist,iter));
                hold on
            end
            if dims == 3, plot3(xy(1,1),xy(1,2),xy(1,3),'ko');
            else plot(xy(1,1),xy(1,2),'ko'); end
            hold off
        end
    end

    % 产生子代算法
    rand_grouping = randperm(pop_size);  %用于将子代打乱顺序。将原来的1-80的子代顺序打乱成随机。
    for p = 8:8:pop_size  
        %分组,每组8个个体,配合上面的代码,避免变成分层抽样。
        rtes = pop_rte(rand_grouping(p-7:p),:);    
        brks = pop_brk(rand_grouping(p-7:p),:);
        dists = total_dist(rand_grouping(p-7:p));
        %挑选出每组中最优的家伙(山大王的感觉)
        [ignore,idx] = min(dists);
        best_of_8_rte = rtes(idx,:);
        best_of_8_brk = brks(idx,:);
        %随机产生两个位置,用于打乱这个山大王的基因型,从而生成新的子代。
        rte_ins_pts = sort(ceil(n*rand(1,2)));
        I = rte_ins_pts(1);
        J = rte_ins_pts(2);
        %用山大王先生产生子代。(有修改路径基因型的,有修改中断点基因型的,有不变的)怎么产生的大家应该可以看到懂。
        for k = 1:8 % 
            tmp_pop_rte(k,:) = best_of_8_rte;
            tmp_pop_brk(k,:) = best_of_8_brk;
            switch k
                case 2 % Flip
                    tmp_pop_rte(k,I:J) = fliplr(tmp_pop_rte(k,I:J));
                case 3 % Swap
                    tmp_pop_rte(k,[I J]) = tmp_pop_rte(k,[J I]);
                case 4 % Slide
                    tmp_pop_rte(k,I:J) = tmp_pop_rte(k,[I+1:J I]);
                case 5 % Modify Breaks
                    tmp_pop_brk(k,:) = randbreaks();
                case 6 % Flip, Modify Breaks
                    tmp_pop_rte(k,I:J) = fliplr(tmp_pop_rte(k,I:J));
                    tmp_pop_brk(k,:) = randbreaks();
                case 7 % Swap, Modify Breaks
                    tmp_pop_rte(k,[I J]) = tmp_pop_rte(k,[J I]);
                    tmp_pop_brk(k,:) = randbreaks();
                case 8 % Slide, Modify Breaks
                    tmp_pop_rte(k,I:J) = tmp_pop_rte(k,[I+1:J I]);
                    tmp_pop_brk(k,:) = randbreaks();
                otherwise % Do Nothing
            end
        end
        %新生代
        new_pop_rte(p-7:p,:) = tmp_pop_rte;
        new_pop_brk(p-7:p,:) = tmp_pop_brk;
    end
    pop_rte = new_pop_rte;
    pop_brk = new_pop_brk;
end


%下面的代码用于显示 results
if show_res
    figure('Name','MTSPOFS_GA | Results','Numbertitle','off');
    subplot(2,2,1);
    if dims == 3, plot3(xy(:,1),xy(:,2),xy(:,3),'k.');
    else plot(xy(:,1),xy(:,2),'k.'); end
    title('City Locations');
    subplot(2,2,2);
    imagesc(dmat([1 opt_rte],[1 opt_rte]));
    title('Distance Matrix');
    subplot(2,2,3);
    rng = [[1 opt_brk+1];[opt_brk n]]';
    for s = 1:salesmen
        rte = [1 opt_rte(rng(s,1):rng(s,2))];
        if dims == 3, plot3(xy(rte,1),xy(rte,2),xy(rte,3),'.-','Color',clr(s,:));
        else plot(xy(rte,1),xy(rte,2),'.-','Color',clr(s,:)); end
        title(sprintf('Total Distance = %1.4f',min_dist));
        hold on;
    end
    if dims == 3, plot3(xy(1,1),xy(1,2),xy(1,3),'ko');
    else plot(xy(1,1),xy(1,2),'ko'); end
    subplot(2,2,4);
    plot(dist_history,'b','LineWidth',2);
    title('Best Solution History');
    set(gca,'XLim',[0 num_iter+1],'YLim',[0 1.1*max([1 dist_history])]);
end



% 返回结果
if nargout
    varargout{1} = opt_rte;  %参数1 最佳个体的路径基因型
    varargout{2} = opt_brk;   %参数2 最佳个体的中断点基因型
    varargout{3} = min_dist;    %参数3 最佳个体的总距离
end


%产生终端点代码(随机生成)
%为什么要单独写呢?因为前面有要求,每一个旅行商至少走个2个城市(不包含起点)。
function breaks = randbreaks()
    if min_tour == 1 %如果没有限制,那么:
        tmp_brks = randperm(n-1);
        breaks = sort(tmp_brks(1:num_brks));
        
    else % 如果有限制,则强制中断的点,使得城市个数满足要求
        num_adjust = find(rand < cum_prob,1)-1;
        spaces = ceil(num_brks*rand(1,num_adjust));
        adjust = zeros(1,num_brks);
        for kk = 1:num_brks
            adjust(kk) = sum(spaces == kk);
        end
        breaks = min_tour*(1:num_brks) + cumsum(adjust);
    end
end

end

代码中的产生新个体的算法解释

在实现遗传算法的时候,这个代码并没有用到两个个体的交叉互换,而是用了一个个体通过变异产生新个体。下面是变异函数的几点解释:

希望能够对读者的理解略尽绵薄之力

 


代码结果

MTSP问题遗传算法解决及其代码与案例_第1张图片


统计结果: 

MTSP问题遗传算法解决及其代码与案例_第2张图片

 

关于其他MTSP问题

同一起点同一终点:

https://blog.csdn.net/weixin_42141390/article/details/103783581#%E5%9F%BA%E6%9C%AC%E7%AE%97%E6%B3%95%EF%BC%9A

随机起点随机终点

 https://blog.csdn.net/weixin_42141390/article/details/103640085

你可能感兴趣的:(Matlab,MTSP,遗传算法,matlab)