用遗传算法解决旅行商问题
遗传算法旅行商问题c语言代码
遗传算法是一种模拟自然选择过程的优化算法，可以用于解决各种复杂的组合优化问题。
其中，旅行商问题是一个经典的组合优化问题，也是一个典型的NP难题，即寻找最优解的时间复杂度是指数级的。
在本文中，我们将讨论如何使用遗传算法来解决旅行商问题，并给出相应的C语言代码实现。
我们将介绍旅行商问题的数学模型，然后简要介绍遗传算法的原理，最后给出C语言代码实现。
旅行商问题是指一个旅行商要拜访n个城市，恰好拜访每个城市一次，并返回出发城市，要求总路程最短。
数学上可以用一个n*n的距离矩阵d[i][j]表示城市i到城市j的距离，问题可以形式化为求解一个排列p={p1,p2,...,pn}，使得目标函数f(p)=Σd[p[i]][p[i+1]]+d[p[n]][p[1]]最小。
这个问题是一个组合优化问题，其搜索空间是一个n维的离散空间。
遗传算法是一种基于生物进化过程的优化算法，主要包括选择、交叉、变异等操作。
在使用遗传算法解决旅行商问题时，可以将每个排列p看作一个个体，目标函数f(p)看作个体的适应度，通过选择、交叉和变异等操作来搜索最优解。
以下是遗传算法解决旅行商问题的C语言代码实现：1. 我们需要定义城市的距离矩阵和其他相关参数，例如城市的数量n，种裙大小pop_size，交叉概率pc，变异概率pm等。
2. 我们初始化种裙，即随机生成pop_size个排列作为初始种裙。
3. 我们进入遗传算法的迭代过程。
在每一代中，我们首先计算种裙中每个个体的适应度，然后通过选择、交叉和变异操作来更新种裙。
4. 选择操作可以采用轮盘赌选择法，即根据个体的适应度来进行选择，适应度越高的个体被选中的概率越大。
5. 交叉操作可以采用部分映射交叉方法，即随机选择两个个体，然后随机选择一个交叉点，将交叉点之后的基因片段进行交换。
6. 变异操作可以采用变异率为pm的单点变异方法，即随机选择一个个体和一个位置，将该位置的基因值进行随机变异。
7. 我们重复进行迭代操作，直到达到停止条件（例如达到最大迭代次数或者适应度达到阈值）。
实验六：遗传算法求解TSP问题实验2篇
实验六：遗传算法求解TSP问题实验2篇第一篇：遗传算法的原理与实现1. 引言旅行商问题（TSP问题）是一个典型的组合优化问题，它要求在给定一组城市和每对城市之间的距离后，找到一条路径，使得旅行商能够在所有城市中恰好访问一次并回到起点，并且总旅行距离最短。
遗传算法作为一种生物启发式算法，在解决TSP问题中具有一定的优势。
本实验将运用遗传算法求解TSP问题，以此来探讨和研究遗传算法在优化问题上的应用。
2. 遗传算法的基本原理遗传算法是模拟自然界生物进化过程的一种优化算法。
其基本原理可以概括为：选择、交叉和变异。
（1）选择：根据问题的目标函数，以适应度函数来评估个体的优劣程度，并按照适应度值进行选择，优秀的个体被保留下来用于下一代。
（2）交叉：从选出的个体中随机选择两个个体，进行基因的交换，以产生新的个体。
交叉算子的选择及实现方式会对算法效果产生很大的影响。
（3）变异：对新生成的个体进行基因的变异操作，以保证算法的搜索能够足够广泛、全面。
通过选择、交叉和变异操作，不断迭代生成新一代的个体，遗传算法能够逐步优化解，并最终找到问题的全局最优解。
3. 实验设计与实施（1）问题定义：给定一组城市和每对城市之间的距离数据，要求找到一条路径，访问所有城市一次并回到起点，使得旅行距离最短。
（2）数据集准备：选择适当规模的城市数据集，包括城市坐标和每对城市之间的距离，用于验证遗传算法的性能。
（3）遗传算法的实现：根据遗传算法的基本原理，设计相应的选择、交叉和变异操作，确定适应度函数的定义，以及选择和优化参数的设置。
（4）实验流程：a. 初始化种群：随机生成初始种群，每个个体表示一种解（路径）。
b. 计算适应度：根据适应度函数，计算每个个体的适应度值。
c. 选择操作：根据适应度值选择一定数量的个体，作为下一代的父代。
d. 交叉操作：对父代进行交叉操作，生成新的个体。
e. 变异操作：对新生成的个体进行变异操作，以增加搜索的多样性。
实验六：遗传算法求解TSP问题实验3篇
实验六：遗传算法求解TSP问题实验3篇以下是关于遗传算法求解TSP问题的实验报告，分为三个部分，总计超过3000字。
一、实验背景与原理1.1 实验背景旅行商问题（Traveling Salesman Problem，TSP）是组合优化中的经典问题。
给定一组城市和每两个城市之间的距离，求解访问每个城市一次并返回出发城市的最短路径。
TSP 问题具有很高的研究价值，广泛应用于物流、交通运输、路径规划等领域。
1.2 遗传算法原理遗传算法（Genetic Algorithm，GA）是一种模拟自然选择和遗传机制的搜索算法。
它通过选择、交叉和变异操作生成新一代解，逐步优化问题的解。
遗传算法具有全局搜索能力强、适用于多种优化问题等优点。
二、实验设计与实现2.1 实验设计本实验使用遗传算法求解TSP问题，主要包括以下步骤：（1）初始化种群：随机生成一定数量的个体（路径），每个个体代表一条访问城市的路径。
（2）计算适应度：根据路径长度计算每个个体的适应度，适应度越高，路径越短。
（3）选择操作：根据适应度选择优秀的个体进入下一代。
（4）交叉操作：随机选择两个个体进行交叉，生成新的个体。
（5）变异操作：对交叉后的个体进行变异，增加解的多样性。
（6）更新种群：将新生成的个体替换掉上一代适应度较低的个体。
（7）迭代：重复步骤（2）至（6），直至满足终止条件。
2.2 实验实现本实验使用Python语言实现遗传算法求解TSP问题。
以下为实现过程中的关键代码：（1）初始化种群```pythondef initialize_population(city_num, population_size): population = []for _ in range(population_size):individual = list(range(city_num))random.shuffle(individual)population.append(individual)return population```（2）计算适应度```pythondef calculate_fitness(population, distance_matrix): fitness = []for individual in population:path_length =sum([distance_matrix[individual[i]][individual[i+1]] for i in range(len(individual) 1)])fitness.append(1 / path_length)return fitness```（3）选择操作```pythondef selection(population, fitness, population_size): selected_population = []fitness_sum = sum(fitness)fitness_probability = [f / fitness_sum for f in fitness]for _ in range(population_size):individual = random.choices(population, fitness_probability)[0]selected_population.append(individual)return selected_population```（4）交叉操作```pythondef crossover(parent1, parent2):index1 = random.randint(0, len(parent1) 2)index2 = random.randint(index1 + 1, len(parent1) 1)child1 = parent1[:index1] +parent2[index1:index2] + parent1[index2:]child2 = parent2[:index1] +parent1[index1:index2] + parent2[index2:]return child1, child2```（5）变异操作```pythondef mutation(individual, mutation_rate):for i in range(len(individual)):if random.random() < mutation_rate:j = random.randint(0, len(individual) 1) individual[i], individual[j] = individual[j], individual[i]return individual```（6）更新种群```pythondef update_population(parent_population, child_population, fitness):fitness_sum = sum(fitness)fitness_probability = [f / fitness_sum for f in fitness]new_population =random.choices(parent_population + child_population, fitness_probability, k=len(parent_population)) return new_population```（7）迭代```pythondef genetic_algorithm(city_num, population_size, crossover_rate, mutation_rate, max_iterations): distance_matrix =create_distance_matrix(city_num)population = initialize_population(city_num, population_size)for _ in range(max_iterations):fitness = calculate_fitness(population, distance_matrix)selected_population = selection(population, fitness, population_size)parent_population = []child_population = []for i in range(0, population_size, 2):parent1, parent2 = selected_population[i], selected_population[i+1]child1, child2 = crossover(parent1, parent2)child1 = mutation(child1, mutation_rate)child2 = mutation(child2, mutation_rate)parent_population.extend([parent1, parent2]) child_population.extend([child1, child2])population =update_population(parent_population, child_population, fitness)best_individual =population[fitness.index(max(fitness))]best_path_length =sum([distance_matrix[best_individual[i]][best_individual[i +1]] for i in range(len(best_individual) 1)])return best_individual, best_path_length```三、实验结果与分析3.1 实验结果本实验选取了10个城市进行测试，遗传算法参数设置如下：种群大小：50交叉率：0.8变异率：0.1最大迭代次数：100实验得到的最佳路径长度为：1953.53.2 实验分析（1）参数设置对算法性能的影响种群大小：种群大小会影响算法的搜索能力和收敛速度。
利用遗传算法解决TSP问题课件
给每个城市一个固定的基因编号，例如10个城市为 0 1 2 3 4 5 6 7 8 9 ，随机地组成一个染色体（以下所有情况都以10个城市为例说明）。 约定这10个城市之间的行走路线为： 0123456789 (其余基因序列的路线同样道理)
两个城市间的距离（用r[i][j]表示）
轮盘选择
for(mem=0;mem<PopSize;mem++) sum+=population[mem].fitness; for(mem=0;mem<PopSize;mem++) //使小的选中的可能性大 x[mem]=sum-population[mem].fitness; sum=0.0; for(mem=0;mem<PopSize;mem++) sum+=x[mem]; /* Calculate relative fitness */ for(mem=0;mem<PopSize;mem++) population[mem].rfitness=x[mem]/sum;
仿真结果
仿真结果
一个完整路线的长度
例如基因序列为：0 8 2 9 7 5 6 4 1 3，存放在gene[0]～gene[9]中。 表示行旅行路线为： 0829756413 总路程为： r[gene[0]][gene[1]]+r[gene[1]][gene[2]]~ +r[gene[9]gene[0]]
交叉
例如一个基因序列为： 0 2 5 6 9 8 1 3 4 7 产生两个0～9的int型随机数，如得到2和6，将gene[2]和gene[6]之间的基因反序，得到： 0 2 1 8 9 6 5 3 4 7
遗传算法实例
遗传算法实例遗传算法实例是一种模拟生物进化的算法，通过模拟自然选择和遗传机制，寻找问题的最优解。
它被广泛应用于优化问题的求解，如组合优化、参数优化等。
下面将介绍一个关于旅行商问题的遗传算法实例。
旅行商问题是一个经典的组合优化问题，目标是找到一条最短的路径，使得旅行商可以依次访问一组城市，并返回起始城市。
该问题在现实生活中有很多应用，如物流配送、电路板布线等。
遗传算法可以用来解决旅行商问题。
它模拟了自然界中的遗传机制和进化过程。
首先，我们需要将问题抽象为一个编码，例如使用一个序列来表示城市的访问顺序。
然后，我们通过种群来表示可能的解空间，种群中的每个个体都是一条可能的路径。
接下来，我们需要定义适应度函数来评估每个解的质量。
在旅行商问题中，适应度函数可以定义为路径的总长度。
我们希望路径越短，适应度越高。
然后，我们进行遗传操作，包括选择、交叉和变异。
选择操作根据适应度函数选择优秀的个体，将其作为父代个体参与繁殖。
交叉操作模拟基因的交换，通过交换路径的片段来生成子代个体。
变异操作模拟基因的突变，通过随机改变路径中的城市顺序来引入新的解。
在每一代中，我们可以根据适应度函数对个体进行排序，并选取适应度较高的个体进行繁殖。
通过重复执行选择、交叉和变异操作，我们可以逐渐找到较优的解。
当达到终止条件时，即找到满足要求的解或达到最大迭代次数时，遗传算法停止运行，返回找到的最优解。
以上就是一个关于旅行商问题的遗传算法实例。
通过模拟自然界的进化过程，遗传算法能够快速有效地求解复杂的优化问题。
在实际应用中，遗传算法还可以结合其他优化方法，如模拟退火算法和粒子群算法，来更好地解决实际问题。
遗传算法解决旅行商问题求解复杂性思考
遗传算法解决旅行商问题求解复杂性思考旅行商问题（Traveling Salesman Problem，TSP）是一个经典的组合优化问题，主要涉及在给定一组城市和其之间的距离的情况下，寻找最短路径，使得旅行商可以访问每个城市并返回起始城市。
由于需要考虑全排列的情况，TSP在计算上通常是一个复杂且困难的问题。
遗传算法（Genetic Algorithm，GA）是一种模拟自然进化的算法。
在解决复杂问题时，遗传算法模拟了生物进化的基本原理，通过自然选择和遗传操作，逐代优化个体的适应度，从而找到解决问题的最佳解。
在使用遗传算法解决TSP时，个体通常表示为城市的排列序列，适应度函数定义为这个序列所对应路线的总长度。
下面将从两个方面对遗传算法解决TSP的复杂性进行思考：问题的复杂性和算法的复杂性。
首先，旅行商问题本身是一个NP-hard问题。
NP-hard问题是指在多项式时间内无法求解的问题。
TSP的复杂性由于需要考虑所有城市间的距离，而随着城市数量的增加，问题的规模呈指数级增长。
这导致在实际情况下，对于较大规模的TSP 问题，找到最优解是非常困难的。
遗传算法作为一种启发式算法，能够找到较好的近似解，在解决复杂问题时取得了较好的效果。
遗传算法通过不断迭代演化种群，逐步优化解的质量。
但是，由于TSP问题本身的困难性，遗传算法无法保证找到全局最优解，因为它受限于初始种群和搜索空间的选择。
此外，遗传算法的收敛速度也受到问题规模的影响。
其次，遗传算法本身也具有一定的复杂性。
需要设置合适的参数，如种群大小、交叉率、变异率等，以及遗传操作的策略。
不同的参数和策略选择可能导致不同的解决效果。
因此，在应用遗传算法解决TSP问题时，需要进行合理的参数配置和算法优化。
在实际应用中，基于遗传算法的TSP求解器已经取得了一定的成果。
通过对问题进行合理的建模和参数调优，可以在可接受的时间内得到较优的解。
此外，还有许多改进的遗传算法策略可以用于提高求解效率，如多父代遗传算法、局部搜索等。
使用遗传算法求解旅行商问题
于演示遗传算法的基 本思想。对于遗传算 法的优化 ，国 内外许 多专 家结合旅行 商问题提 出了很 多算子 ，结合其 中的
一
关键词 ： 遗传 算法 ； 旅行 商问题 ； 选择算子 ； 交算子 ； 变算子 杂 异
Ａ ｏｕ ｉｎ ｔ ＇Ｐ ｗｉ Ｓ ｌｔ ｏ Ｉ Ｉ ｔ ＧＡ ｏ ｓ ｈ
遗传算法是基 于 自然选择 和 自然遗传 机制 的一种 随机搜 索算法 ，具 有 良好 的并行性 和全局 寻优能 力 ，能 够 自适 应地
２２１ 码 与适 应 ・ 数 ．． 编 陛分
由于旅行 商问题 的解是 一条从 起点经 过所有 城市后 又 回 到起 点的路 径 ，而这 条路径 上存在 的节点 往往少则 数十个 多 则 成百上 千个 ，因此 ，使用 传统 的二 进制 编码方 式来对解 进 行 编码是非 常 困难 的 。采用 数字来标 示每 座城市 ，以数 字序 列来 作为解 的编码不 仅在形式 上 比较 简单 而且有利 于编程 中 的引用 ，因 而是非常合适 的。例如 ，城市 Ａ Ｆ依次用 数字 ｌ ～ ～ ６来标示 ．则一个可能的解可以表示为 ｆ，４６５２ 即旅行商 １ ，，，， ３ １， 从城市 Ａ开始依次经过 Ｃ、Ｄ、Ｆ 、Ｅ、Ｂ最后 回到 Ａ 。因而一 个染色体就对应 了一个数字序列。 适 应性分 数是 用来 衡 量一 个可 能解 的好 坏 的度量 标 准 ，
ＳＦＷ Ｒ Ｅ Ｅ０Ｍ Ｎ Ｎ ＥＩＮ ０ｒ Ａ ＥＤＶＬＰ ＥＴ ＤＤ Ｓ Ａ Ｇ
软件 开发 与设Βιβλιοθήκη 使 用遗传 算法求解旅行 商 问题
陆添 超
（ 中国矿业大学计算机科学与技术学院 ，徐州 ２ １ １） ２ ６ １ 摘 要 ： 遗传 算法模拟 自然界动 物的繁衍 来解决全局寻优 问题 ， 。旅行 商问题是 典型的组合优化 问题 ，而且非 常适 些经典算子 实现应 用遗传算 法解 决旅行 商问题 的演 示程序。
TSP问题遗传算法求解实验报告
一、旅行商问题所谓旅行商问题(Travelling Salesman Problem , TSP)，即最短路径问题，就是在给定的起始点S到终止点T的通路集合中，寻求距离最小的通路，这样的通路成为S点到T点的最短路径。
在寻找最短路径问题上，有时不仅要知道两个指定顶点间的最短路径，还需要知道某个顶点到其他任意顶点间的最短路径。
遗传算法方法的本质是处理复杂问题的一种鲁棒性强的启发性随机搜索算法，用遗传算法解决这类问题，没有太多的约束条件和有关解的限制，因而可以很快地求出任意两点间的最短路径以及一批次短路径。
假设平面上有n个点代表n个城市的位置, 寻找一条最短的闭合路径, 使得可以遍历每一个城市恰好一次。
这就是旅行商问题。
旅行商的路线可以看作是对n 个城市所设计的一个环形, 或者是对一列n个城市的排列。
由于对n个城市所有可能的遍历数目可达(n- 1)!个, 因此解决这个问题需要0(n!)的计算时间。
假设每个城市和其他任一城市之间都以欧氏距离直接相连。
也就是说, 城市间距可以满足三角不等式, 也就意味着任何两座城市之间的直接距离都小于两城市之间的间接距离。
二、遗传算法1 遗传算法介绍遗传算法是由美国J.Holland教授于1975年在他的专著《自然界和人工系统的适应性》中首先提出的，它是一类借鉴生物界自然选择和自然遗传机制的随机化搜索算法。
通过模拟自然选择和自然遗传过程中发生的繁殖、交叉和基因突变现象，在每次迭代中都保留一组候选解，并按某种指标从解群中选取较优的个体，利用遗传算子(选择、交叉和变异)对这些个体进行组合，产生新一代的候选解群，重复此过程，直到满足某种收敛指标为止。
遗传算法在本质上是一种不依赖具体问题的直接搜索方法，是一种求解问题的高效并行全局搜索方法。
其假设常描述为二进制位串，位串的含义依赖于具体应用。
搜索合适的假设从若干初始假设的群体集合开始。
当前种群成员通过模仿生物进化的方式来产生下一代群体，如随机变异和交叉。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
用遗传算法解决旅行商问题
姓名：王晓梅
学号：1301281
班级：系统工程6班
一、问题背景
有一个销售员，要到n 个城市推销商品，他要找出一个包含所有n 个城市的具有最短路程的环路。
现在假设有10个城市，他们之间的距离如下。
{ 0, 107, 241, 190, 124, 80, 316, 76, 152, 157},
{ 107, 0, 148, 137, 88, 127, 336, 183, 134, 95},
{ 241, 148, 0, 374, 171, 259, 509, 317, 217, 232},
{ 190, 137, 374, 0, 202, 234, 222, 192, 248, 42},
{ 124, 88, 171, 202, 0, 61, 392, 202, 46, 160},
{ 80, 127, 259, 234, 61, 0, 386, 141, 72, 167},
{ 316, 336, 509, 222, 392, 386, 0, 233, 438, 254},
{ 76, 183, 317, 192, 202, 141, 233, 0, 213, 188},
{ 152, 134, 217, 248, 46, 72, 438, 213, 0, 206},
{ 157, 95, 232, 42, 160, 167, 254, 188, 206, 0}
将这10个城市分别编码为0,1,2,3,4,5,6,7,8,9。
要求走完这10个城市，目标是使走的距离最短。
二、建立模型
),...,1,(1)
,...,1,(1.
.)(min 11
11n j j i n i j i t s j i n j ij
n i ij ij n i n
j ij x x d x =≠==≠=≠∑∑∑∑==== 三、设计算法
1、种群初始化
（1）一条染色体的初始化
10个城市分别对应0~9这十个数，每个染色体代表一个解决方法，即0~9这十个数的一种排序方式，可随机产生一个数，用取余的方法得到一个0~9的数，依次得到与前面不重复的十个数，构成一个染色体。
（2）种群的初始化
这里假设种群有100个染色体，也就是循环100次染色体的初始化可得到一个种群。
2、适值的计算
求相邻两个城市的距离和代表适值，适值越小，表示结果越好。
3、交叉
交叉是指从种群中选两个染色体作为父代，交叉产生两个子代。
这里有两个问题：
（1）怎么选出那两对要交叉？
这里将100个染色体分成50组，产生50个0~1的随机数对应这50对父代，若产生的随机数小于交叉率，表示这对父代被选中，则进行交叉，否则不交叉，保留父代。
（2）怎么交叉？
采用单点的顺序交叉，就是随机产生一个交叉点，先将父代1交叉点前后的基因颠倒给一个中间变量new，然后比较new每一位与父代2交叉点后面的基因，若相同，令new该位为-1（目的就是找出并去掉new染色体中与父代2交叉点后面相同的基因），再将new中不是-1的基因先按顺序赋给子代1，再把父代2交叉点后的基因赋给子代1，这样子代1就产生了。
同样的方法产生子代2.，完成交叉。
4、变异
（1）选出变异的染色体
随机产生0~99的随机数，产生100个，分别与种群中100个染色体对应，比较所产生的随机数与变异率，若小于变异率，则变异，否则不变异，保留父代。
（2）进行变异
产生0~9的两个随机数，代表这个染色体当中被选中的两个基因位，进行交换即可。
5、选择
采用轮盘赌法，轮盘赌法是在圆盘中占得比例大的被选中的概率大，意味着好的解事占比例大的，而这里要求的是希望适值越小越好，为解决这个问题，设置一个最大适值，求它与每一个染色体的差，差越大对应适值越小，解也就越好，求这100个差的和，每一个差占100个差的比例，代表在圆盘中所占大小。
随机产生一个0~1的随机数rd，从第一个染色体开始，比较该随机数与染色体所占的比例，若小于表示这个染色体被选中，若不小于，将累加下一个染色体的比例，在比较，直到小于为止，所加的最后一个染色体就是被选中的染色体。
循环一百次产生100个随机数来选择100个染色体作为下次迭代的父代。
6、主函数
先初始化种群，计算适值，选这一代中适值最好的，交叉变异选择，产生新的父代。
void main()
{
static int map[length][length]=
{
{ 0, 107, 241, 190, 124, 80, 316, 76, 152, 157},
{ 107, 0, 148, 137, 88, 127, 336, 183, 134, 95},
{ 241, 148, 0, 374, 171, 259, 509, 317, 217, 232},
{ 190, 137, 374, 0, 202, 234, 222, 192, 248, 42},
{ 124, 88, 171, 202, 0, 61, 392, 202, 46, 160},
{ 80, 127, 259, 234, 61, 0, 386, 141, 72, 167},
{ 316, 336, 509, 222, 392, 386, 0, 233, 438, 254},
{ 76, 183, 317, 192, 202, 141, 233, 0, 213, 188},
{ 152, 134, 217, 248, 46, 72, 438, 213, 0, 206},
{ 157, 95, 232, 42, 160, 167, 254, 188, 206, 0}
};
GA ga;
ga.initializePop(); //产生初始种群
for(int i=0;i<gen;i++) //开始迭代
{
ga.sel_pop[0].sumfitness=0;
ga.pool_pop.fitness=definenum; //用来比较筛选找种群中最小的适值for(int j=0;j<popsize;j++) //计算种群中每一个染色体适值 {
ga.old_pop[j].evaluate();
}
for(int j=0;j<popsize;j++) //选择最好的适值
{
if(ga.old_pop[j].fitness<ga.pool_pop.fitness)
{
for(int q=0;q<length;q++)
{
ga.pool_pop.code[q]=ga.old_pop[j].code[q];
}
ga.pool_pop.fitness=ga.old_pop[j].fitness;
}
}
ga.selectChr(); //选择
ga.crossover(); //交叉
ga.mutate(); //变异
cout<<"输出第“<<i+1<<"代最好路线";
ga.pool_pop.evaluate();
ga.pool_pop.toprint();
}
system("pause");
}
四，结果
1、迭代50次，交叉率0.8，变异率0.3的结果。
2迭代50次，交叉率0.5，变异0.3的结果，结果很明显变得不好，说明交叉率太小，种群中染色体变化太小，会陷入局部最优，不利于结果向好的方向发展。
3、迭代50次，交叉率0.8，变异率0.9的结果，结果也是变差，说明变异率太大对会是结果向着不好的方向发展。
4、迭代100次，交叉率0.8，变异0.3的结果，相比较第一种情况而言，结果差不多，说明迭代50次，差不多已经达到稳定。
五、总结
在初始种群100，增大迭代次数会使结果向好的方向发展，直到达到稳定，结果基本不变化。
交叉率过小的话，种群几本不更新，没法产生好的染色体，结果几本没变化，没法向好的方向发展，所以需要设置较大的交叉率，以保证种群中有新的染色体产生。
变异率不宜
过大，变异率在自然界中本来发生的可能性就很小，不能设置的太大。