摘 要：
遗传算法是模拟达尔文的自然选择学说和自然界的生物进化过程的一种计算模型。它采用简单的编码技术来表示各种复杂的结构，并通过对一组编码表示进行简单的遗传操作和优胜劣汰的自然选择来指导学习和确定搜索的方向.
本文首先对遗传算法的特点、基本理论、发展以及研究作了介绍，对遗传算法与模拟退火法相结合也进行了分析。将标准遗传算法与模拟退火思想相融合，设计出模拟退火混合遗传算法。遗传算法具有自组织、自适应、自学习等特征，而且简单的遗传操作使计算机不受其搜索空间限制条件的约束，以及不需要其它的辅助信息，因此遗传算法能获得较高的效率和简单、易操作和通用的特性；模拟退火算法是一种较好的改进遗传算法性能的方法，该算法不仅能增强遗传算法的全局收敛性，还能加快进化速度，得到满意的全局最优解。将两者的有机结合，既克服了传统遗传算法的缺点，又发挥了它们的优点，是一种优化的算法改进。
关键词： 遗传算法；模拟退火算法； 混合遗传算法；旅行商问题
目 录
摘要 I
1. 遗传算法 1
1.1 遗传算法的产生与发展 1
1.2 遗传算法的特点 2
1.3 遗传算法的基本思想 2
1.4 遗传操作 3
1.4.1 选择（Selection） 3
1.4.2 交叉/基因重组（crossover/recombinatiaio） 4
1.4.3 变异（mutation） 4
1.5 遗传算法的操作步骤 4
2. 模拟退火混合遗传算法 5
2.1 模拟退火思想简述 5
2.2 模拟退火与遗传算法的结合 6
2.3 算法流程 7
3. 用模拟退火混合遗传算法求解TSP问题 8
3.1 TSP问题简述 8
3.2 解TSP问题 8
3.2.1 编码 9
3.2.2 生成初始种群 9
3.2.3 适应度函数 9
3.2.4 遗传模拟退火操作 9
3.2.5 选择操作 10
3.2.6 交叉操作 10
3.2.7 变异操作 11
3.2.8 终止条件 11
3.2.9 结果分析 11
结论 11
致谢 12
参考文献 12
您可能感兴趣的文档
