想,通过自动生成计算机程序来解决问题。虽然该理论尚未成熟,应用也有些限制,但已成功地应用于人工智能、机器学习等领域。(9 )机器学习:基于 GA 的机器学习、特别分类器系统,在调整人工神经网络的连接权、神经网络结构的优化设计、和多机器人路径规划系统中得到了成功的应用。( 10)生物信息学:多重序列比对是生物信息学的重要研究内容,它的目标是通过同时比较多个序列,发现它们之间的相似区域和保守性位点,进而推断未知生物分子的结构和功能,或者重构系统发育树,寻找物种之间的进化关系[8]。遗传算法也是一种启发式算法,它由于能够避免算法陷入局部最优解而受到人们的重视,在生物序列多重比对中也有一定的应用[9]。遗传算法研究- 6- 1.5 课题的任务 1.5.1 旅行商问题简介旅行商问题( Traveling Saleman Problem , TSP )又译为旅行推销员问题、货郎担问题,简称为 TSP ,是最基本的路线问题,该问题是在寻求单一旅行者由起点出发,通过所有给定的需求点之后,最后再回到原点的最小路径成本。最早的旅行商问题的数学规划是由 Dantzig (1959 )等人提出[10] 。顾名思义,旅行商问题就是有一个推销员,要到 n个城市推销商品,最后再回到出发点,为了节约时间和成本,他想找出一个包含所有 n 个城市并且总路径(包括回到出发点)最短的环路。 1.5.2 课题任务进行本课题研究是想通过学习遗传算法的理论基础,实现和优化技术来掌握一种实现计算机模拟自然的智能优化算法。研究的内容包括:遗传算法的发展历史、研究现状、基本原理、基本实现技术及应用前景。拟解决的问题主要有: 1、使用基本遗传算法求解旅行商问题( TSP )。 2、在基本遗传算法基础上,对算法加以改进,加快算法的收敛速度和提高解的质量。 3、尝试多种改进方法,分析不同的改进策略对算法的收敛速度和解的质量的影响。
全文预览
