嗯哼,时隔半年,再次有时间整理关于组合优化问题——旅行商问题(Traveling Salesman Problem, TSP),这次采用的是经典遗传算法(Genetic Algorithm, GA)进行求解,利用C++语言进行编程实现。关于TSP问题以及GA的简单介绍,可参见我的另一篇文章:Java版GA_TSP(我的第一个Java程序)

  各种启发式算法的整体框架大致都由以下几个操作组成:(1)初始解的产生;(2)解的评价(评价函数);(3)扰动算子;此外,还可以加上程序原始数据的导入等操作。这些操作是多数启发式算法所通用的算子,基为此,此次在采用C++进行实现的时候,采用一个通用的 HeuristicOperator.h 头文件以及对应的 HeuristicOperator.cpp 类文件对这些操作进行集中放置,造好轮子,方便以后取用。

Ps:指针玩不太转,只好绕道过去了~~~~

表1 HeuristicOperator中函数功能清单

编号

功能

记号

函数1

获取客户点坐标

getCoord()

函数2

获取距离矩阵

getDM()

函数3

获取初始解

getInitS()

函数4

解的评价

Eval()

函数5

搜索范围内最优评价值及其相对应的位置

bestS()

函数6

产生Sharking操作位置

RandPosition()

函数7

交换算子(swap)

Swap()

函数8

翻转算子(flip)

Flip()

函数9

插入算子(insert)

Insert()

注:函数5可以直接用 STL 中vector的操作函数max_element、min_element实现类似的功能,写的时候一时没有想起来,就自己造了个轮子。

  之前在采用Matlab以及Java实现GA to solve TSP 时,考虑到程序的运行效率,通常会选用 array 来放置各种数据,众所周知,array的特点就是固定分配的连续物理地址进行数据的存储,然而对于不定长度的数据进行存储时,一般的方式是采用“多次少量”,即预先分配一定内存空间,等不够用了再分配一定的内存空间(多说一句,Matlab 中还可以采用以下两种方式:用 array=[]; 以及用cell实现存储不定长度数组,但效率不高)。而在C++ STL 中有一种神奇的数据类型vector容器,它既有着 array 的连续内存分配方式,又能不用指定数据存储长度,对于一组不同规模的数据集进行测试时,再也不用担心使用array时提醒必须预分配确定的存储空间了~~

  以下为HeuristicOperator.h头文件:

 #pragma once
#include<iostream>
#include<vector>
#include <algorithm> // std::shuffle
#include <random> // std::default_random_engine
#include<chrono>
using namespace std; class HeuristicOperator {
public:
vector<vector<double>> getCoord(void); //函数1:获取坐标函数
vector<vector<double>> getDM(vector<vector<double>> Coord); //函数2:获取距离矩阵函数
vector<int> getInitS(int n); //函数3:获取初始解函数
double Eval(vector<int> S, vector<vector<double>> DM, int n); //函数4:评价函数 vector<double> bestS(vector<double> Eval, int Length); //函数5:搜索范围内最优评价值及其相应的位置函数 vector<int> RandPosition(int n); //函数6:产生Sharking操作位置函数
vector<int> Swap(vector<int> S, vector<int> RP); //函数7:交换算子
vector<int> Flip(vector<int> S, vector<int> RP); //函数8:翻转算子
vector<int> Insert(vector<int> S, vector<int> RP); //函数9:插入算子
};

  对应的HeuristicOperator.cpp类文件比较容易实现,在此不再赘述。本文所用算例为31城市的TSP问题,与Java版遗传算法求解TSP求解算例一致,具体数据如下:


  以下为遗传算法的主函数:

 /*
文件名:CppGATSP
作者:Alex Xu
地址:Dalian Maritime University
描述:利用遗传算法求解TSP问题(C++版)
创建时间:2018年12月10日11点27分
*/ #include<iostream>
#include<vector>
#include<numeric> //accumulate
#include<chrono> //time
#include "HeuristicOperator.h"
using namespace std;
using namespace chrono; //设置算法参数
# define POP_SIZE
# define MAX_GEN int main() {
//计时开始
auto start = system_clock::now(); //生成距离矩阵
HeuristicOperator ga_dm;
vector<vector<double>> GA_DM;
GA_DM = ga_dm.getDM(ga_dm.getCoord()); int n = int(GA_DM[].size()); //城市规模 //初始化算法
vector<vector<int>> initPop(POP_SIZE, vector<int>(n)); //初始种群
vector<vector<int>> Pop(POP_SIZE, vector<int>(n)); //当前种群
vector<vector<int>> newPop(POP_SIZE, vector<int>(n)); //新种群
vector<double> popFit(POP_SIZE); //记录种群适应度值
vector<int> bestIndival(n); //最优个体
vector<double> gs(MAX_GEN + ); //记录全局最优解
gs[] = 1e9;
unsigned int seed = (unsigned)std::chrono::system_clock::now().time_since_epoch().count(); //生成初始种群
HeuristicOperator s0;
for (int i = ; i < POP_SIZE; i++) {
initPop[i] = s0.getInitS(n);
}
Pop = initPop; //开始进化
for (int gen = ; gen <= MAX_GEN; gen++) { HeuristicOperator eval; //计算种群的适应度值(这里直接用路径长度表示)
for (int i = ; i < POP_SIZE; i++) {
popFit[i] = eval.Eval(Pop[i], GA_DM, n);
} HeuristicOperator bestEI; //找出种群中个体的最优适应度值并记录相应的个体编号
vector<double> bestEvalIndex();
bestEvalIndex = bestEI.bestS(popFit, POP_SIZE);
double bestEval = bestEvalIndex[]; //最优适应度值
int bestIndex = int(bestEvalIndex[]); //最优适应度值对应的个体编号 //最优解的更新
if (bestEval < gs[gen - ]) { //比上一代优秀则更新
gs[gen] = bestEval;
bestIndival = Pop[bestIndex];
}
else { //不比上一代优秀则不更新
gs[gen] = gs[gen - ];
}
if (gen % == ) {
cout << "第" << gen << "次迭代时全局最优评价值为" << gs[gen] << endl;
} //扰动操作(产生新种群)
for (int p = ; p < POP_SIZE; p++) {
HeuristicOperator shk;
vector<int> randPosition = shk.RandPosition(n);
vector<int> tmpS(n);
double randShk = rand() / double(RAND_MAX);
if (randShk < 0.33) {
tmpS = shk.Swap(Pop[p], randPosition); //交换操作
}
else if (randShk >= 0.67) {
tmpS = shk.Flip(Pop[p], randPosition); //翻转操作
}
else {
tmpS = shk.Insert(Pop[p], randPosition); //插入操作
} HeuristicOperator evl;
if (evl.Eval(tmpS, GA_DM, n) > evl.Eval(Pop[p], GA_DM, n)) {
newPop[p] = Pop[p];
}
else {
newPop[p] = tmpS;
}
}
Pop = newPop; //选择操作(轮盘赌)
vector<double> Cusum(POP_SIZE + , ); //适用于轮盘赌的累加器Cusum(补充了cus[0]=0;
for (int i = ; i < POP_SIZE; i++) {
Cusum[i + ] = Cusum[i] + popFit[i];
} double Sum = accumulate(popFit.begin(), popFit.end(), 0.0); //计算各个体被选择的概率(归一化)
vector<double> cusFit(POP_SIZE + ); //放置种群中个个体被选择的概率值
for (int i = ; i < POP_SIZE + ; i++) {
cusFit[i] = Cusum[i] / Sum;
} for (int p = ; p < POP_SIZE; p++) { //轮盘赌产生新种群
double r = rand() / double(RAND_MAX);
for (int q = ; q < POP_SIZE; q++) {
if (r > cusFit[q] && r <= cusFit[q + ]) {
newPop[p] = Pop[q];
}
}
}
Pop = newPop;
} //计时结束
auto end = system_clock::now();
auto duration = duration_cast<microseconds>(end - start);
cout << "花费了"
<< double(duration.count()) * microseconds::period::num / microseconds::period::den
<< "秒" << endl; //输出结果
double gs0 = 15377.711;
cout << "最优解为" << gs[MAX_GEN] << endl;
double e = (gs[MAX_GEN] - gs0) / gs0;
cout << "误差为" << e * 100.0 << '%' << endl;
cout << "最优路径为" << endl;
for (int i = ; i < n; i++) {
cout << bestIndival[i] + << '\t';
}
140
141 while (1)
142     {}
}

  以上即为C++语言所编写的遗传算法求解TSP示例,运行环境为:Windows10 64位操作系统;CPU:i7-8750H; 内存:8G;Microsoft Visual Studio Community 2017 。求解结果如下:

  与已知最优解的误差为1.48%,所用时间约为3.6s. 还可以接受。但值得注意的是:本文实验参数最大迭代次数4000代,而种群规模仅为2,这与一般的遗传算法思想上是没问题的,只是实际参数可能取得不太大众化。当然,对于算法参数这些细节都是可以调节的,不必太过于纠结。

  啊哈,这次的利用C++编程遗传算法求解TSP就这些了~~~

遗传算法 | C++版GA_TSP的更多相关文章

  1. 遗传算法 | Java版GA_TSP(我的第一个Java程序)

    嗯哼,第一次写博客,准确说是第一次通过文字的方式记录自己的工作,闲话少叙,技术汪的博客就该直奔技术主题(关于排版问题,会在不断写博客的过程中慢慢学习,先将就着用吧,重在技术嘛~~~). 遗传算法(Ge ...

  2. 遗传算法 | Java版GA_TSP (2)

    嗯哼,上一篇博客中用Java实现了遗传算法求解TSP(Java版GA_TSP(我的第一个Java程序)),但明显求解效果不太好,都没太好意思贴出具体的结果,今天捣腾了下,对算法做了一些小改进,求解效果 ...

  3. python 遗传算法精简版

    精简版遗传算法,算法中仅采用变异算子而没有使用交叉算子,但是进化依然很有效 from string import ascii_lowercase from random import choice, ...

  4. 遗传算法之GAUL

    遗传算法之GAUL简介 简介        GAUL(遗传算法工具库的简称) GAUL is an open source programming library, released under th ...

  5. 多目标遗传算法 ------ NSGA-II (部分源码解析)介绍

    NSGA(非支配排序遗传算法).NSGA-II(带精英策略的快速非支配排序遗传算法),都是基于遗传算法的多目标优化算法,是基于pareto最优解讨论的多目标优化. 在官网: http://www.ii ...

  6. 标准遗传算法(实数编码 python实现)模拟二进制交叉SBX 多项式变异

    代码地址: https://github.com/guojun007/real_sga 本部分是采用实数编码的标准遗传算法,整体流程与上一篇二进制编码的基本一致, 主要区别在于本部分的交叉操作为模拟二 ...

  7. Python 遗传算法实现字符串

    Python 遗传算法实现字符串 流程 1. 初始化 2. 适应度函数 3. 选择 4. 交叉 5. 变异 适应度函数计算方法 计算个体间的差:分别计算每个元素与目标元素的差取平方和 种群:计算总体均 ...

  8. 遗传算法(Genetic Algorithm)——基于Java实现

    一.遗传算法原理介绍 遗传算法(Genetic Algorithm)是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型,是一种通过模拟自然进化过程搜索最优解的方法.遗传算法是从代表问 ...

  9. 基于GA遗传算法的TSP旅行商问题求解

    import random import math import matplotlib.pyplot as plt import city class no: #该类表示每个点的坐标 def __in ...

随机推荐

  1. selenium常用方法,简版介绍

    WebElement 接口共计16个------------接口 代表一个HTML元素.通常,所有与页面交互有关的有趣操作都将通过此界面执行. void clear() void click() We ...

  2. C++中的引用和指针

    引用和指针有何区别?何时只能使用指针而不能使用引用?    引用是一个别名,不能为 NULL 值,不能被重新分配:指针是一个存放地址的变量.当需要对变量重新赋以另外的地址或赋值为 NULL 时只能使用 ...

  3. 初识MAC(由window到mac的转变适应)

    * Windows上的软件可以拿到Mac上面安装吗? Windows上面的软件不能拿到Mac的操作系统上安装,除此之外,Windows里的 exe文件,在Mac下面也是无法运行的,要特別注意.如果你要 ...

  4. iOS书摘之Objective-C编程之道 iOS设计模式解析

    来自<Objective-C编程之道iOS设计模式解析>一书的摘要总结 一.Prototype 原型模式 定义:使用原型实例指定创建对象的种类,并通过复制这个原型创建新的对象.(<设 ...

  5. cd进入相关目录的命令

    今天不记得怎么进入Linux的根目录了,查询了下顺便复习下其他命令: 1.[root@localhost]#cd /usr 切换至根目录下的文件夹要加"/" 2.[root@loc ...

  6. CF1152C Neko does Maths

    思路: 假设a <= b,lcm(a + k, b + k) = (a + k) * (b + k) / gcd(a + k, b + k) = (a + k) * (b + k) / gcd( ...

  7. mysq表的三种关系,数据的增删改以及单表多表查询

    一丶三种关系 分析步骤: #.先站在左表的角度去找 是否左表的多条记录可以对应右表的一条记录,如果是,则证明左表的一个字段foreign key 右表一个字段(通常是id) #.再站在右表的角度去找 ...

  8. 第1章 .Net应用程序体系结构

    1. CLR:公共语言运行库,是每种.Net编程语言都使用的运行库 Windows 8为Windows Store应用程序引入了一个新的编程接口:Windows运行库. C# 6 具有许多小而实用的语 ...

  9. FTP添加虚拟目录(图)

    设置 访问效果 可以看到有这个文件:

  10. c++输入

    1. char c = getchar(); 输入单个字符,可输入空格.换行符. 2. cin >> s; 不读取空格或换行符. 3. getline(cin, s); 输入一行到字符串s ...