Genetisch Algoritme 1 Voordeel GAs kunnen snel goede oplossingen leveren, zelfs voor moeilijke oplossingsruimten. Nadeel GAs vinden niet gegarandeerd de optimale oplossing: ze hebben de neiging te convergeren naar een lokale oplossing in plaats van een globale oplossing van het op te lossen probleem.
Werking 2 Genereren random populatie (Initialisatie) Rekening houden met afstand vertices Beste tour in de GUI tonen Random groep genereren Dubbele crossover met de twee beste tours Soms het resultaat muteren Vervang slechtste tours uit de populatie Populatie alleen aanpassen als de tour niet al bestaat Eventuele nieuwe beste tour weergeven in de GUI
Structuur Genetisch Algoritme (GA) Genetisch Algoritme Dataset GeneticDataset Vertex Tour Mutate Crossover Population Selection 3 Globaal Klassendiagram
Mutatie Zorgen dat de populatie niet naar één oplossing convergeert Random getal kiezen voor aantal mutaties op de tour Gekozen aantal punten wisselen ( Swap ) Controleren of de tour uniek is 4
Single point crossover Crossover point kiezen Vertices voor het crossoverpoint kopieren van parent A Overgebleven vertices van parent B kopieren 5
Parameters 6 ParameterWaarde NumberOfCloseVertices5 ChanceToUseCloseVertex75 PopulationSize GroupSize10 MutationChance5
GUI TSPAlgorithm Implements runnable Abstract toString stop run Geimplementeerd addNewSolutionEventListener removeNewSolutionEventListener fireNewSolutionFoundEvent 7
Sprint 3 A fast TSP solver using a genetic algorithm 8
Demo 9
Vragen ? 10