Algorithm 求解TSP问题的GA算法

我建立了一个GA算法来解决TSP问题

这是诺维格书（AIAMA）中的一个练习。他建议我们阅读拉拉纳加关于陈述等问题的观点。我在那里学习了一些交叉算子和突变，并尝试了其中的一些，看看哪个更适合我。我还详细阐述了基于每条路径成本的适应度函数

嗯，尽管我对我的算法设计有很多疑问，但我以前从未使用过人工智能，所以我不知道我的方法是否适用于GAs

以下是我所做的：

我采用了路径向量（我的初始总体）

然后在每个循环中，我通过增加成本顺序来组织这个向量，在这个向量中取最佳的X路径，并删除其他路径

然后我应用XOver和Mutation（以一定的速率），并将它们放在向量的旧删除值的位置

然后我做同样的事情（顺序向量-提取最佳值等）

继续这样做直到它稳定下来

这是一个好方法吗？如果不是的话，给我一些北。因为当我选择了最好的而没有保留它们时（只是通过Xover和变异从它们中创建了一个全新的流行音乐），我没有得到好的结果。这样（保留最好的——在一些实验中，我只保留最好的一个）我得到了更好的结果，并且结果总是收敛得很快

状态表示法：对于状态表示法，我选择使用路径表示法（我从一开始就在使用它，在阅读Larrañaga et all之后决定继续使用它）， 它是这样的：如果我们有，比方说，5个城市，参观第一个城市，然后第二个，然后第三个。。。我们的路径表示是（1，2，3，4，5）

初始人口生成：实际上，我生成随机点来表示城市（这就是书中要求我做的，在封闭的正方形中生成随机点）-但为了进行比较，我生成了一个总体，并在比较结果时坚持使用它-我认为如果我不坚持使用一个特定的总体，我就不会对我的改进有太多了解

最合适的个人：最合适的个人是旅行成本最高的人。（我不知道我是否应该在这个问题上使用其他东西作为参数

交叉：我尝试了一些交叉算子，并将我的reuslts与书中的一个进行了比较，最后使用了一个顺序交叉算子（Larrañaga等人（1999））： 此交叉从两个父路径中随机选取两个切割（形成子路径），然后从另一个父路径复制路径的其余部分（该子路径中尚未访问的城市）（从第二个切割开始，而不是在位置“0”）添加它们在另一个父路径中出现的城市

示例：路径（12345）（34215）选择子路径（234）和（421）

---

作为后代（5 | 2 3 4 | 1）（5 | 4 2 1 | 3）首先，避免所有这些缩写（GA、TSP、XOver）。这很难阅读，有些人可能不知道你在说什么。 遗传算法的第一个问题是如何选择初始种群，如何进行交叉，如何进行变异。第二个问题是，对描述的天真理解可能很糟糕

对你来说，最合适的个体是那些成本已经比较高的个体。你可以说，最好选择最多样化的个体，即那些更有可能探索问题空间不同部分的个体。描述你如何进行以下操作：

• 状态表示法：只是为了确保
• 初始种群生成：非常重要。可能有可用于此步骤的资料，因为这在局部搜索算法中很常见
• 最适合的个人：我建议你尝试在这里玩得更多。尝试不同的策略。你寻找的是最适合繁殖的个人，而不是问题的整体解决方案
• 交叉：你是如何做到的
• 变异：变异的目标是避开问题空间的当前区域，你可以创造一个成本非常高的个体。在下一步使用你当前的算法时，他将在你排序时被抛弃

您还需要评估您的解决方案是如何随着运行时间而改进的。例如，您提供的不是

n

迭代

100n

，而是解决方案是否变得更好，改进程度如何？当算法停止时，上一代的个体彼此有多相似，等等

另一个问题，你是想解决固定拓扑还是可变拓扑的问题

编辑： 您使用的是已发布的算法，因此问题似乎不在特定操作上。对于适合度，请坚持使用路径成本。您说

因为当我选择了最好的而没有保留它们时（只是通过Xover和变异从它们中创建了一个全新的流行音乐），我没有得到好的结果。这样（保留最好的-在一些实验中，我只保留了最好的）我得到了更好的结果，结果总是收敛得很快

你应该留住最健康的人和他们的孩子。这遵循着一条邪恶的自然法则，只有最健康的人才有权繁衍后代。必须替换的是最不健康的人

有3个参数可以调整：有孩子的最适合个体的比例（以及将被淘汰的个体数量）、突变概率和跑步次数

为了测试算法的性能，您可以通过迭代对最佳解决方案进行采样，即每次

t

迭代都可以节省较低的成本。一旦绘制出来，它应该如下所示：

I