GA算法-R语言实现

旅行商问题

班共有30位同学，来自22个地区，我们希望在假期来一次说走就走的旅行，将所有同学的家乡走一遍。算起来，路费是一笔很大的花销，所以希望设计一个旅行方案，确保这一趟走下来的总路程最短。

旅行商问题是一个经典的NP问题

NP就是Non-deterministic Polynomial，即多项式复杂程度的非确定性问题，是世界七大数学难题之一。

如果使用枚举法求解，22个地点共有:
(22-1)！/2 = 25545471085854720000 种路线方案

GA算法

遗传算法将“优胜劣汰，适者生存”的生物进化原理引入优化参数形成的编码串联群体中，按所选择的适应度函数并通过遗传中的复制、交叉及变异对个体进行筛选，使适应度高的个体被保留下来，组成新的群体，新的群体既继承了上一代的信息，又优于上一代。这样周而复始，群体中个体适应度不断提高，直到满足一定的条件。遗传算法的算法简单，可并行处理，并能到全局最优解。

GA算法设计

1.生成原始染色体种群

采用实数编码，以N个城市的序号作为一条可能的路径。例如对8个城市，可生成如下的染色体代表一条路径，8,6,4,2,7,5,3,1.重复操作生成数目等于n的染色体种群。

2.生成适应度函数

由于是求最短路径，适应度函数一般求函数最大值，所以取路径总长度T的倒数，即fitness=1/T。

3.选择染色体

采用轮盘赌的方式产生父代染色体。

4.对染色体种群进行编码

假设有一个含有九个城市的列表：W=（A,B,C,D,E,F,G,H,I)。
有如下两条路线：
W1=(A,D,B,H,F,I,G,E,C)
W2=(B,C,A,D,E,H,I,F,G)
则这两条路线可编码为:
W1=（142869753）
W2=（231458967）

5.交叉

以概率Pc选择参加交叉的个体（偶数个），用两点交叉算子进行操作。
例如对于下面两个染色体个体
（1 3 4 | 5 2 9 | 8 6 7）
（1 7 6 | 9 5 2 | 4 3 8）
通过两点交叉可得到子代染色体为
（1 3 4 | 9 5 2 | 8 6 7）
（1 7 6 | 5 2 9 | 4 3 8）

6.变异

以概率Pm选择参加变异的个体，用对换变异进行操作。随机的选择个体中的两个位点，进行交换基因。
如A=123456789；如果对换点为4和7，则经过对换后为B=123756489

7.解码

对染色体进行解码，恢复染色体的实数表示方法。

8.逐代进化

根据得出的新的染色体，再次返回选择染色体的步骤，进行迭代，直到达到迭代次数，算法停止。

算法实现

#加载packages
library(sp)
library(maptools)
library(geosphere)

source("C:\\Users\\ShangFR\\Desktop\\路径优化\\GA算法脚本.R")
data=read.csv("C:\\Users\\ShangFR\\Desktop\\路径优化\\143地理坐标.csv") #读取城市经纬度数据
border <- readShapePoly("C:\\Users\\ShangFR\\Desktop\\路径优化\\map\\bou2_4p.shp") #读取各省的边界数据等

#初始化（列出地区距离矩阵-聚类）
da=data[,1:2]
rownames(da)=data[,3]
hc=hclust(dist(da))
cutree(hc, h = 10)
plot(hc)

route=CreatDNA(data,5)  
x = route[,1]
y = route[,2]
z = route[,3]
cols=route[,4]

muer.lonlat = cbind(route[,1],route[,2]) # matrix

muer.dists = distm(muer.lonlat, fun=distVincentyEllipsoid) # 精确计算，椭圆

ans=round(muer.dists/1000,2)
roundots = list(x=x,y=y,ans=ans,z=z,cols=cols)
species = GA4TSP(dots=roundots,initDNA=NULL,N=50,cp=0.1,vp=0.01,maxIter=1000,maxStay=100,maxElite=2,drawing=TRUE)
#粗糙地计算总路程上界

UpperBound = function(disM)

{

mx = apply(disM,1,max) #两城市间最长距离

return( sum(mx) ) #最长旅行路径

}

#生成随机染色体

rndDNA = function(n)

{

return( seq(1,n,1) ) #随机生成n条旅行路径

}

#对一个解计算总路程的距离

calcScores = function(dna,disM)

{

n = length(dna) #城市总数

tmp = cbind(dna[1:n],c(dna[2:n],dna[1])) #生成起始点城市

len = apply(tmp,1,function(x) disM[x[1],x[2]])

len = sum(len)

return(len) #返回此条旅行路径总距离

}

#根据每条染色体的分数计算权重，并以此抽样

roller = function(scores,k)

{

scores = max(scores)-scores+1

props = scores/sum(scores)

N = length(scores)

mxind = which.max(scores)#保留最优染色体

ans = sample((1:N)[-mxind],k-1,replace = F,prob = props[-mxind])

return(c(mxind,ans))

}

#种群中的繁殖过程

crossEvolve = function(i,nGroup,crossGroup,prop)

{

a = nGroup[i,]

b = crossGroup[i,]

n = length(a)

m = max(1,trunc(n*prop))

tmpa = a

st = sample(1:n,1)

ind = st:(st+m) #indication 指示、索引

if (st+m>n)

{

bind = which(ind>n)

ind[bind] = ind[bind] %% n + 1

}

cross = intersect(b,a[ind])

tmpa[ind] = cross

return(tmpa)

}

#染色体的自我变异

selfVariation = function(dna,prop)

{

n = length(dna)

pos = which(runif(n)<prop)

if (length(pos)==0)

return(dna)

pos = sample(pos,1)

newind = sample((1:n)[-pos],1)

if (pos>newind)

{

tmp = dna[newind:n]

tmp = tmp[-(pos-newind+1)]

dna[newind] = dna[pos]

dna[(newind+1):n] = tmp

}

else

{

tmp = dna[1:newind]

tmp = tmp[-pos]

dna[newind] = dna[pos]

dna[1:(newind-1)] = tmp

}

return(dna)

}

#以某条染色体代表的解做图

drawIt = function(dots,dna,xlab=NULL,ylab=NULL,main=NULL,sub=NULL,col=NULL)

{

#win.graph(width=800, height=800, pointsize=12)

x = dots[[1]]

y = dots[[2]]

z = dots[[4]]

cols=dots[[5]]+10

if (is.null(main))

{

scores = calcScores(dna,dots[[3]])

#画地图

plot(border,border="#BBFFFF",col="#FF7F00",ylim = c(18, 54), panel.first = grid(),

main=paste("总路程",scores,"公里"),xlab="经度",ylab="纬度",sub=paste('优化结束-第',sub,'代'));

#增加省会城市坐标点

points(x,y,pch=19,col=cols)

text(x,y,z,pos=1,cex=0.5)

n = length(dna)

for (i in 1:(n-1)){

Sys.sleep(0.3)

lines(x[dna[i:(i+1)]],y[dna[i:(i+1)]],col="#00FFFF",lwd=3)}

lines(x[dna[c(n,1)]],y[dna[c(n,1)]],col="#00FFFF",lwd=3)

}

else{

#画地图

plot(border,border="#BBFFFF",col="#FF7F00",ylim = c(18, 54),main=paste("总路程",main,"公里"),

xlab="经度",ylab="纬度",sub=paste('第',sub,'代'))

points(x,y,pch=19,col=cols)

if(sub==1)Sys.sleep(5)

else{

n = length(dna)

for (i in 1:(n-1))

lines(x[dna[i:(i+1)]],y[dna[i:(i+1)]],col="#00FFFF",lwd=3)

lines(x[dna[c(n,1)]],y[dna[c(n,1)]],col="#00FFFF",lwd=3)

}}}

#Genetic Algorithm for Traveller Salesman Problem

GA4TSP = function(dots,initDNA=NULL,N,cp,vp,maxIter,maxStay,maxElite,drawing)

{

disM = dots[[3]]

n = nrow(disM)

if (N %%2 >0)

N = N+1

Group = t(sapply(rep(n,N),rndDNA))

if (!is.null(initDNA)) Group[1,]=initDNA

maxL = UpperBound(disM)

stopFlag = FALSE

iterCount = 1

stayCount = 0

allBest = maxL

eliteBest = maxL

elite = mat.or.vec(maxElite,n)

elitecount = 0

eracount = 0

LastEra = maxL

outputRecorder = NULL

GenerationRecorder = NULL

showScore=FALSE

eliteInto=FALSE

#初始化结束

while (!stopFlag)

{

cat('Generation:',iterCount,'Era:',eracount,'Elite:',elitecount)

scores = apply(Group,1,calcScores,disM)

bestScore = min(scores)

mind = which.min(scores)

bestDNA = Group[mind,]#记录最佳染色体

#更新时代、精英的信息

if (bestScore<eliteBest)

{

stayCount = 0

eliteBest = bestScore

eliteDNA = bestDNA

if (eliteBest<allBest)

{

allBest = eliteBest

allDNA = eliteDNA

outputRecorder = rbind(outputRecorder,allDNA)

GenerationRecorder = c(GenerationRecorder,iterCount)

if (drawing)

drawIt(dots,allDNA,main=as.character(allBest),sub=iterCount)

}

else

stayCount = stayCount+1

if (stayCount == maxStay)

{

stayCount = 0

eliteBest = maxL

elitecount = elitecount+1

elite[elitecount,] = eliteDNA

scores = apply(Group,1,calcScores,disM)

a = which(scores == min(scores))

nind = sample((1:N)[-a],length(a))

Group[a,] = Group[nind,]

eliteInto =TRUE

scores = apply(Group,1,calcScores,disM)

bestScore = min(scores)

mind = which.min(scores)

bestDNA = Group[mind,]

}

if (elitecount==maxElite)

{

Group[1:elitecount,]=elite

elite = mat.or.vec(maxElite,n)

elitecount = 0

stayCount = 0

eliteBest = maxL

eracount = eracount+1

maxStay = maxStay + 20

showScore=TRUE

scores = apply(Group,1,calcScores,disM)

bestScore = min(scores)

mind = which.min(scores)

bestDNA = Group[mind,]

}

#对种群计算分数，产生繁殖与变异

succind = roller(scores,N/2)

nGroup = Group[succind,] #取最优和一半高权重优秀基因

crossind = sample(succind,N/2)

crossGroup = Group[crossind,] #取最优和一半高权重优秀基因,打乱顺序

crossans = t(sapply(1:(N/2),crossEvolve,nGroup,crossGroup,cp))

crossGroup = rbind(nGroup,crossans)

Group = t(apply(crossGroup,1,selfVariation,vp))

if (eliteInto)

eliteInto = FALSE

else

Group[1,] = bestDNA

stopFlag = (iterCount>=maxIter)

iterCount = iterCount+1

cat(' Best:',bestScore,'All:',allBest,'Stay:',paste(stayCount,'/',maxStay,sep=''),'\n')

if (showScore)

{

scores = apply(Group,1,calcScores,disM)

show(scores[1:(N/2)])

show(scores[(N/2+1):(N)])

#Sys.sleep(1)

showScore=FALSE

}

if (drawing)

drawIt(dots,allDNA,sub=maxIter)

return(list(DNA = outputRecorder,Generation=GenerationRecorder))

}

#生成初始染色体

CreatDNA = function(data,i)

{

hc=hclust(dist(data[,1:2]))

data\(col</code><code class="python keyword">=</code><code class="python plain">cutree(hc,&nbsp;k&nbsp;</code><code class="python keyword">=</code>&nbsp;<code class="python plain">i)&nbsp;</code><code class="python comments">#k&nbsp;=&nbsp;1&nbsp;is&nbsp;trivial</code></div><div class="line number250 index249 alt1"><code class="python plain">INITDNA</code><code class="python keyword">=</code><code class="python plain">data[order(data\)col),]

rownames(INITDNA)=NULL

return(INITDNA)

}

posted @ 2016-10-27 21:12 马家寨香椿阅读(589) 评论(0) 收藏举报

刷新页面返回顶部

马家寨香椿

GA算法-R语言实现

GA算法-R语言实现

旅行商问题

旅行商问题是一个经典的NP问题

GA算法

GA算法设计

1.生成原始染色体种群

2.生成适应度函数

3.选择染色体

4.对染色体种群进行编码

5.交叉

6.变异

7.解码

8.逐代进化

算法实现

公告