姓名：高潔
學(xué)號(hào)：19021210933
轉(zhuǎn)載自：https://blog.csdn.net/qq_36260974/article/details/84404357
【嵌牛導(dǎo)讀】遺傳算法是一種模擬生命進(jìn)化機(jī)制的搜索和優(yōu)化方法捉捅，是把自然遺傳學(xué)和計(jì)算機(jī)科學(xué)結(jié)合起來的優(yōu)化方程练湿，有很強(qiáng)的解決問題的能力和廣泛的適應(yīng)性。
【嵌牛鼻子】遺傳算法 選擇 交叉 變異
【嵌牛提問】遺傳算法的基本原理究竟是什么法严？
【嵌牛正文】
遺傳算法介紹
????遺傳算法是一種模擬生命進(jìn)化機(jī)制的搜索和優(yōu)化方法，是把自然遺傳學(xué)和計(jì)算機(jī)科學(xué)結(jié)合起來的優(yōu)化方程户辫，有很強(qiáng)的解決問題的能力和廣泛的適應(yīng)性渐夸。其假設(shè)常描述為二進(jìn)制位串，位串的含義依賴于具體應(yīng)用渔欢。搜索合適的假設(shè)從若干初始假設(shè)的群體集合開始墓塌。當(dāng)前種群成員通過模仿生物進(jìn)化的方式來產(chǎn)生下一代群體，如隨機(jī)變異和交叉奥额。每一步苫幢，根據(jù)給定的適應(yīng)度評(píng)估當(dāng)前群體的假設(shè)，而后使用概率方法選出適應(yīng)度最高的假設(shè)作為產(chǎn)生下一代的種子垫挨。
遺傳算法的幾個(gè)基本概念
????（1）染色體（Chromosome）：在使用遺傳算法時(shí)韩肝，需要把問題的解編成一個(gè)適合的碼子。這種具有固定結(jié)構(gòu)的符號(hào)串既是染色體九榔，符號(hào)串的每一位代表一個(gè)基因哀峻。符號(hào)串的總位數(shù)成為染色體的長(zhǎng)度，一個(gè)染色體就代表問題的一個(gè)解哲泊，每個(gè)染色體也被稱為一個(gè)個(gè)體剩蟀。
????（2）群體（Population）：每代所產(chǎn)生的染色體總數(shù)成為群體，一個(gè)群體包含了該問題在這一代的一些解的集合切威。
????（3）適應(yīng)度（Fitness）：對(duì)群體中每個(gè)染色體進(jìn)行編碼后育特，每個(gè)個(gè)體對(duì)應(yīng)一個(gè)具體問題的解，而每個(gè)解對(duì)應(yīng)于一個(gè)函數(shù)值先朦。該函數(shù)值即適應(yīng)函數(shù)缰冤，就是衡量染色體對(duì)環(huán)境適應(yīng)度的指標(biāo)，也是反映實(shí)際問題的目標(biāo)函數(shù)
基本的遺傳操作
????（1）選擇（Select）：按一定的概率從上代群體中選擇M對(duì)個(gè)體作為雙親喳魏，直接拷貝到下一代棉浸，染色體不發(fā)生變化。
????（2）交叉（Crossover）：對(duì)于選中進(jìn)行繁殖的兩個(gè)染色體X截酷，Y涮拗，以X乾戏，Y為雙親作交叉操作，從而產(chǎn)生兩個(gè)后代X1三热，Y1.
????（3）變異（Mutation）：對(duì)于選中的群體中的個(gè)體（染色體）鼓择，隨機(jī)選取某一位進(jìn)行取反運(yùn)算，即將該染色體碼翻轉(zhuǎn)就漾。
????用遺傳算法求解的過程是根據(jù)待解決問題的參數(shù)集進(jìn)行編碼呐能，隨機(jī)產(chǎn)生一個(gè)種群，計(jì)算適應(yīng)函數(shù)和選擇率抑堡，進(jìn)行選擇摆出、交叉、變異操作首妖。如果滿足收斂條件偎漫，此種群為最好個(gè)體，否則有缆，對(duì)產(chǎn)生的新一代群體重新進(jìn)行選擇象踊、交叉、變異操作棚壁，循環(huán)往復(fù)直到滿足條件杯矩。
TSP問題
????所謂TSP問題（旅行商問題）即最短路徑問題就是在給定的起始點(diǎn)S到終止點(diǎn)T的通路集合中，尋求距離最小的通路袖外，這樣的通路成為S點(diǎn)到T點(diǎn)的最短路徑史隆。在尋找最短路徑問題上，有時(shí)不僅要知道兩個(gè)指定頂點(diǎn)間的最短路徑曼验，還需要知道某個(gè)頂點(diǎn)到其他任意頂點(diǎn)間的最短路徑泌射。用遺傳算法解決這類問題，沒有太多的約束條件和有關(guān)解的限制鬓照，因而可以很快地求出任意兩點(diǎn)間的最短路徑以及一批次短路徑魄幕。
TSP問題的遺傳算法設(shè)計(jì)與實(shí)現(xiàn)
????（１）編碼問題：由于這是一個(gè)離散型的問題，我們采用整數(shù)編碼的方式颖杏，用1－ｎ來表示n個(gè)城市，1－n的任意一個(gè)排列就構(gòu)成了問題的一個(gè)解坛芽×舸ⅲ可以知道，對(duì)于n個(gè)城市的TSP問題咙轩，一共有n!種不同的路線获讳。????
????（２）種群初始化：對(duì)于N個(gè)個(gè)體的種群，隨機(jī)給出N個(gè)問題的解（相當(dāng)于是染色體）作為初始種群活喊。這里具體采用的方法是：1,2丐膝，…,n作為第一個(gè)個(gè)體，然后2,3，…n分別與1交換位置得到n-1個(gè)解帅矗，從2開始偎肃，3,4,…,n分別與2交換位置得到n-2個(gè)解，依次類推浑此。（如果這樣還不夠初始種群的數(shù)量累颂，可以再考慮n,n-1,…,1這個(gè)序列，然后再按照相同的方法生成凛俱，等等）
∥闪蟆（３）適應(yīng)度函數(shù)：設(shè)一個(gè)解遍歷初始行走的總距離為D，則適應(yīng)度fitness=1/D.即總距離越高蒲犬，適應(yīng)度越低朱监，總距離越低（解越好），適應(yīng)度越高原叮。
『毡唷（４）選擇操作：個(gè)體被選中的概率與適應(yīng)度成正比，適應(yīng)度越高篇裁，個(gè)體被選中的概率越大沛慢。這里仍然采用輪盤賭法。選擇作為交叉的雙親达布，是根據(jù)前代染色體的適應(yīng)函數(shù)值所確定的团甲，質(zhì)量好的個(gè)體，即從起點(diǎn)到終點(diǎn)路徑長(zhǎng)度短的個(gè)體被選中的概率較大黍聂。交叉率不可選擇過小躺苦，否則，延緩獲得最優(yōu)解的過程产还，本程序選擇 =0.85匹厘。
????（５）交叉操作：交叉操作是遺傳算法最重要的操作，是產(chǎn)生新個(gè)體的主要來源脐区，直接關(guān)系到算法的全局尋優(yōu)能力愈诚，這里采用部分映射交叉。比如對(duì)于n = 10的情況牛隅，對(duì)于兩個(gè)路徑:
????隨機(jī)產(chǎn)生兩個(gè)[1,10]之間的隨機(jī)數(shù)r1炕柔，r2，代表選擇交叉的位置媒佣，比如r1 = 2匕累，r2 = 4,如上圖劃線的位置，將第一個(gè)個(gè)體r1到r2之間的基因(即城市序號(hào))與第二個(gè)個(gè)體r1到r2之間的基因交換默伍，交換之后變?yōu)?
? ??劃線部分表示交叉過來的基因欢嘿，這個(gè)時(shí)候會(huì)發(fā)現(xiàn)可能交叉過來的基因與原來其他位置上的基因有重復(fù)衰琐，容易直到，第一個(gè)個(gè)體重復(fù)基因的數(shù)目與第二個(gè)個(gè)體重復(fù)基因的數(shù)目是相同的（這里都是3個(gè)）炼蹦，只需要把第一個(gè)個(gè)體重復(fù)的基因與第二個(gè)個(gè)體重復(fù)的基因做交換羡宙，即可以消除沖突。消除沖突之后的解如下:
????（６）變異操作:變異操作采取對(duì)于一個(gè)染色體(即個(gè)體)隨機(jī)選取兩個(gè)基因進(jìn)行交換的策略框弛。比如對(duì)于染色體:
????隨機(jī)選取了兩個(gè)位置p1=3,p2=8,交換這兩個(gè)位置的基因辛辨，得到新的染色體為:
? ??變異率的選擇對(duì)規(guī)模大的優(yōu)化問題影響很大，本程序選 0.1瑟枫。為了使算法盡可能快地獲得更好的解斗搞，改善遺傳算法的收斂性。在變異操作時(shí)慷妙，增加了個(gè)體求優(yōu)的自學(xué)習(xí)過程僻焚，即在某位基因變異后.計(jì)算新產(chǎn)生的染色體的適應(yīng)函數(shù)值，若適應(yīng)函數(shù)值更小膝擂，即獲得的路徑更短虑啤，則保留;否則，保持原來的解不變架馋。
流程圖：
效果圖：
個(gè)人觀點(diǎn)：
????（１）還是那句話狞山，程序 = 數(shù)據(jù)結(jié)構(gòu) + 算法，所以實(shí)現(xiàn)遺傳算法叉寂，預(yù)先設(shè)計(jì)一個(gè)簡(jiǎn)單有效的數(shù)據(jù)結(jié)構(gòu)至關(guān)重要萍启，一個(gè)好的數(shù)據(jù)結(jié)構(gòu)，會(huì)讓我們?cè)诰幋a過程當(dāng)中屏鳍，更容易理解和處理程序流程勘纯。
????（２）遺傳算法并沒有想象的那么復(fù)雜和困難，在完成編碼以后钓瞭，深刻認(rèn)識(shí)到遺傳算法其實(shí)就是一種在大量數(shù)據(jù)中的搜索方法驳遵，同時(shí)，具有除去不理想狀態(tài)結(jié)點(diǎn)的功能山涡，這無疑是遺傳算法的要害之處堤结，極大的增加了程序的收斂性，通過無數(shù)次的迭代鸭丛，不斷從一組數(shù)據(jù)當(dāng)中選出當(dāng)前組當(dāng)中最好的數(shù)據(jù)霍殴，然后再形成一組數(shù)據(jù)，這些數(shù)據(jù)在經(jīng)過某些調(diào)整（選擇系吩、交叉和變異），有可能會(huì)產(chǎn)生更理想的數(shù)據(jù) 妒蔚。依照此法穿挨，不斷迭代生成新的數(shù)據(jù)月弛，選出較為理想的數(shù)據(jù)，隨著迭代次數(shù)的增加科盛，所產(chǎn)生的數(shù)據(jù)就會(huì)不斷靠近帽衙，甚至等于問題的最優(yōu)解稍味。
完整源代碼：
//population 種群
//Chromosome 染色體
//survival? 存活
//crossover rate 交叉率
//mutation rate 突變率
//probability 概率
#include "stdio.h"
#include "stdlib.h"
#include "windows.h"
#include "time.h"
#define cityNum 10 //城市數(shù)量（基因數(shù)量）（染色體長(zhǎng)度）
#define popSize 10 //種群大信（尺寸）
#define croRate 0.85 ? ? //交叉概率
#define mutRate 0.1 //變異概率
#define MAX 999 //進(jìn)化代數(shù)
//定義染色體的結(jié)構(gòu)
struct Chrom
{
int cityArr[cityNum]; //染色體的基因編碼
char name; //染色體的名稱
float adapt; //染色體的適應(yīng)度
int dis; //染色體的路徑長(zhǎng)度
};
struct Chrom genes[popSize]; //定義基因庫（結(jié)構(gòu)體數(shù)組）
struct Chrom genesNew[popSize]; //重新建立一個(gè)新的種群
struct Chrom temp; //定義臨時(shí)公用結(jié)點(diǎn)
char names[cityNum] = {'A','B','C','D','E','F','G','H','I','J'}; //城市名稱
int distance[cityNum][cityNum] = {{ 0, 1, 2, 3, 4, 5, 6, 7, 8, 9? }, ? ? //城市距離矩陣
{? 1, 0, 1, 2, 3, 4, 5, 6, 7, 8? },
{? 2, 1, 0, 1, 2, 3, 4, 5, 6, 7? },
{? 3, 2, 1, 0, 1, 2, 3, 4, 5, 6? },
{? 4, 3, 2, 1, 0, 1, 2, 3, 4, 5? },
{? 5, 4, 3, 2, 1, 0, 1, 2, 3, 4? },
{? 6, 5, 4, 3, 2, 1, 0, 1, 2, 3? },
{? 7, 6, 5, 4, 3, 2, 1, 0, 1, 2? },
{? 8, 7, 6, 5, 4, 3, 2, 1, 0, 1? },
{? 9, 8, 7, 6, 5, 4, 3, 2, 1, 0? }}; //最優(yōu)解為18
void initGroup()
{
//初始化基因庫
int i,j,k;
int t = 0;
int flag = 0;
srand(time(NULL));//初始化隨機(jī)種子,防止隨機(jī)數(shù)每次重復(fù)卿堂，常常使用系統(tǒng)時(shí)間來初始化,當(dāng)srand()的參數(shù)值固定的時(shí)候熬词，rand()獲得的數(shù)也是固定的
for(i = 0; i < popSize; i ++)
{
//使用臨時(shí)結(jié)點(diǎn)開始賦值
? ? temp.name = names[i];
temp.adapt = 0.0f;
temp.dis = 0;
//產(chǎn)生10個(gè)不相同的數(shù)字
for(j = 0; j < cityNum;)
{
t = rand()%cityNum; //隨機(jī)產(chǎn)生0-9的數(shù)
flag = 1;
for(k = 0; k < j; k ++)
{
if(genes[i].cityArr[k] == t)
{
flag = 0;
break;
}
}
if(flag)
{
temp.cityArr[j] = t;
genes[i] = temp;//存入結(jié)構(gòu)體數(shù)組沧卢，產(chǎn)生一個(gè)個(gè)體
j++;
}
}
}
}
//計(jì)算種群所有染色體的個(gè)體適應(yīng)度
void popFitness()
{
int i,n1,n2;
for(i = 0; i < popSize; i ++)
{
genes[i].dis = 0;
for(int j = 1;j < cityNum; j ++)
{
n1 = genes[i].cityArr[j-1];
n2 = genes[i].cityArr[j];
genes[i].dis += distance[n1][n2];
}
genes[i].dis += distance[genes[i].cityArr[0]][genes[i].cityArr[cityNum-1]];
genes[i].adapt = (float)1/genes[i].dis; //每條染色體的路徑總和(個(gè)體適應(yīng)度)
}
}
//返回最優(yōu)秀的一條染色體
int chooseBest()
{
int choose = 0;
float best = 0.0f;
best = genes[0].adapt;
for(int i = 0; i < popSize; i ++)
{
if(genes[i].adapt < best)
{
best = genes[i].adapt;
choose = i;
}
}
return choose;
}
// 選擇操作
void select()
{
float biggestSum = 0.0f;
float adapt_pro[popSize];
float pick = 0.0f;
int i;
for(i = 0; i < popSize; i ++)
{
biggestSum += genes[i].adapt; // 總概率
}
for(i = 0; i < popSize; i ++)
{
adapt_pro[i] = genes[i].adapt / biggestSum; // 概率數(shù)組
}
// 輪盤賭
? ? for(i = 0;i < popSize; i ++)
? ? {
? ? ? ? pick = (float)rand()/RAND_MAX; // 0到1之間的隨機(jī)數(shù)
? ? ? ? for(int j = 0; j < popSize; j ++)
? ? ? ? {
? ? ? ? ? ? pick = pick - adapt_pro[j];
? ? ? ? ? ? if(pick <= 0)
? ? ? ? ? ? {
genesNew[i] = genes[j];
? ? ? ? ? ? ? break;? ?
? ? ? ? ? ? }
? ? ? ? }
? ? }
? ? for(i = 0;i < popSize; i++)
? ? {? ? ?
genes[i] = genesNew[i];
? ? }
}
// 交叉操作
void cross()
{
? ? float pick;
? ? int choice1,choice2;
? ? int pos1,pos2;
? ? int temp;
? ? int conflict1[popSize]; // 沖突位置
? ? int conflict2[popSize];
? ? int num1;
? ? int num2;
? ? int index1,index2;
? ? int move = 0; // 當(dāng)前移動(dòng)的位置
? ? while(move < popSize-1)
? ? {
? ? ? ? pick = (float)rand()/RAND_MAX; // 用于決定是否進(jìn)行交叉操作
? ? ? ? if(pick > croRate) //兩條染色體是否相愛
? ? ? ? {
? ? ? ? ? ? move += 2;
? ? ? ? ? ? continue; // 本次不進(jìn)行交叉
? ? ? ? }
? ? ? ? // 采用部分映射雜交
? ? ? ? choice1 = move; // 用于選取雜交的兩個(gè)父代
? ? ? ? choice2 = move+1; // 注意避免下標(biāo)越界
? ? ? ? pos1 = rand()%popSize;
? ? ? ? pos2 = rand()%popSize;
? ? ? ? while(pos1 > popSize -2 || pos1 < 1)//如果位置在開頭或結(jié)尾(因?yàn)槿拷粨Q無意義)
? ? ? ? {
? ? ? ? ? ? pos1 = rand()%popSize;? ? ?
? ? ? ? }
? ? ? ? while(pos2 > popSize -2 || pos2 < 1)
? ? ? ? {
? ? ? ? ? ? pos2 = rand()%popSize;
? ? ? ? }
? ? ? ? if(pos1 > pos2)
? ? ? ? {
? ? ? ? ? ? temp = pos1;
? ? ? ? ? ? pos1 = pos2;
? ? ? ? ? ? pos2 = temp; // 交換pos1和pos2的位置
? ? ? ? }
? ? ? ? for(int j = pos1;j <= pos2; j++)// 逐個(gè)交換順序
? ? ? ? {
? ? ? ? ? ? temp = genes[choice1].cityArr[j];
? ? ? ? ? ? genes[choice1].cityArr[j] = genes[choice2].cityArr[j];
? ? ? ? ? ? genes[choice2].cityArr[j] = temp;
? ? ? ? }
? ? ? ? num1 = 0;
? ? ? ? num2 = 0;
? ? ? ? if(pos1 > 0 && pos2 < popSize - 1)//分三段
? ? ? ? {
? ? ? ? ? ? for(int j =0;j < pos1;j++)
? ? ? ? ? ? {
? ? ? ? ? ? ? ? for(int k = pos1; k <= pos2; k++)
? ? ? ? ? ? ? ? {
? ? ? ? ? ? ? ? ? ? if(genes[choice1].cityArr[j] == genes[choice1].cityArr[k])
? ? ? ? ? ? ? ? ? ? {
? ? ? ? ? ? ? ? ? ? ? ? conflict1[num1] = j;
? ? ? ? ? ? ? ? ? ? ? ? num1 ++;
? ? ? ? ? ? ? ? ? ? }
? ? ? ? ? ? ? ? ? ? if(genes[choice2].cityArr[j] == genes[choice2].cityArr[k])
? ? ? ? ? ? ? ? ? ? {
? ? ? ? ? ? ? ? ? ? ? ? conflict2[num2] = j;
? ? ? ? ? ? ? ? ? ? ? ? num2 ++;
? ? ? ? ? ? ? ? ? ? }
? ? ? ? ? ? ? ? }
? ? ? ? ? }
? ? ? ? ? ? for(j = pos2 + 1;j < popSize;j++)
? ? ? ? ? ? {
? ? ? ? ? ? ? ? for(int k = pos1; k <= pos2; k ++)
? ? ? ? ? ? ? ? {
? ? ? ? ? ? ? ? ? ? if(genes[choice1].cityArr[j] == genes[choice1].cityArr[k])
? ? ? ? ? ? ? ? ? ? {
? ? ? ? ? ? ? ? ? ? ? ? conflict1[num1] = j;
num1 ++;
? ? ? ? ? ? ? ? ? ? }
? ? ? ? ? ? ? ? ? ? if(genes[choice2].cityArr[j] == genes[choice2].cityArr[k])
? ? ? ? ? ? ? ? ? ? {
? ? ? ? ? ? ? ? ? ? ? ? conflict2[num2] = j;
num2 ++;? ? ? ? ? ? ? ? ?
? ? ? ? ? ? ? ? ? ? }? ? ? ? ? ? ? ?
? ? ? ? ? ? ? ? }
? ? ? ? ? ? }
? ? ? ? }
? ? ? ? if((num1 == num2) && num1 > 0)
? ? ? ? {
? ? ? ? ? ? for(int j = 0;j < num1; j ++)
? ? ? ? ? ? {
? ? ? ? ? ? ? ? index1 = conflict1[j];
? ? ? ? ? ? ? ? index2 = conflict2[j];
? ? ? ? ? ? ? ? temp = genes[choice1].cityArr[index1]; // 交換沖突的位置
? ? ? ? ? ? ? ? genes[choice1].cityArr[index1] = genes[choice2].cityArr[index2];
? ? ? ? ? ? ? ? genes[choice2].cityArr[index2] = temp;
? ? ? ? ? ? }
? ? ? ? }
? ? ? ? move += 2;
? ? }
}
//變異操作
void mutation()
{
double pick;
? ? int pos1,pos2,temp;
? ? for(int i = 0;i < popSize; i ++)
? ? {
? ? ? ? pick = (float)rand()/RAND_MAX; // 用于判斷是否進(jìn)行變異操作
? ? ? ? if(pick > mutRate)
{
? ? ? ? ? ? continue;
}
? ? ? ? pos1 = rand()%popSize;
? ? ? ? pos2 = rand()%popSize;
? ? ? ? while(pos1 > popSize - 1)
? ? ? ? {
? ? ? ? ? pos1 = rand()%popSize; ?
? ? ? ? }
? ? ? ? while(pos2 > popSize - 1)
? ? ? ? {
? ? ? ? ? pos2 = rand()%popSize;
? ? ? ? }
? int a = genes[i].dis;
? ? ? ? temp = genes[i].cityArr[pos1];
? ? ? ? genes[i].cityArr[pos1] = genes[i].cityArr[pos2];
? ? ? ? genes[i].cityArr[pos2] = temp;
popFitness();//更新數(shù)據(jù)
//此步驟的作用在于檢查是否變異后得到的個(gè)體比變異前更優(yōu)秀了削解，如若往壞的方向變化了蜓耻，那還不如不變異了
//（強(qiáng)制返回存哲，雖然有點(diǎn)違背事物的客觀發(fā)展規(guī)律母蛛，但為了增強(qiáng)程序的收斂性翩剪，該操作還是有必要的）（偷笑）
if(genes[i].dis > a)
{
temp = genes[i].cityArr[pos1];
genes[i].cityArr[pos1] = genes[i].cityArr[pos2];
genes[i].cityArr[pos2] = temp;
}
? ? }
}
int main()
{
char c = 0;
printf("\n\t\t******************************** 遺傳算法求解TSP(旅行商)問題 *********************************\n");
initGroup(); //初始化
popFitness(); //更新數(shù)據(jù)
//輸出配置信息
printf("\n\t\t基因長(zhǎng)度:%d",cityNum);
printf("\t種群大小:%d",popSize);
printf("\t交叉概率:%.2f",croRate);
printf("\t變異概率:%.2f",mutRate);
printf("\t進(jìn)化代數(shù):%d",MAX);
printf("\t預(yù)設(shè)最優(yōu)解：18");
printf("\n\n\t\t**********************************************************************************************\n");
//輸出距離矩陣
printf("\n\t\t--------- 城市距離矩陣 ---------\n");
printf("\t\t");
int i,j;
for(i = 0; i < cityNum; i ++)
{
for(j = 0;j < cityNum; j ++)
{
printf("? %d",distance[i][j]);
}
printf("\n\t\t");
}
printf("--------------------------------");
//輸出路徑信息
printf("\n\t\t-------- 初始種群基因庫 --------\n");
printf("\t\t ");
for(i = 0; i < cityNum; i ++)
{
printf("? %c",genes[i].name);
}
printf("\n\t\t");
for(i = 0;i < cityNum; i ++)
{
printf("%c",genes[i].name);
for(j = 0; j < cityNum; j ++)
{
printf("? %d",genes[i].cityArr[j]);
}
printf("\n\t\t");
}
printf("--------------------------------\n");
do
{
printf("\n\t\t尋求最優(yōu)解中：");
//通過不斷進(jìn)化，直到達(dá)到定義的進(jìn)化代數(shù)
for(i = 0; i < MAX; i ++)
{
select();
cross();
mutation();
popFitness();//更新數(shù)據(jù)
int temp = (int)MAX/20;
if( i % temp == 0)
{
printf("▊");
Sleep(200);
}
}
printf("完成");
printf("\n\n\t\t最優(yōu)路徑：");
for(i = 0; i < cityNum ; i++)
{
printf("%d-->",genes[chooseBest()].cityArr[i]);
}
printf("%d",genes[chooseBest()].cityArr[0]);
printf("\n\n\t\t路徑長(zhǎng)度:%d",genes[chooseBest()].dis);
printf("\n\n\t\t是否再試一次?(Y/y) 是/(N/n) 否：");
? ? fflush(stdin);
? ? c = getchar();
? ? fflush(stdin);
if(c=='N'||c=='n')
{
break;
}
}while(1);
printf("\n\t\t");
return 0;
}
