C++ 遗传算法交叉产生更坏的结果

目前采用的算法，是一种采用遗传算法、变异和有序交叉的算法。我们修改了原有的有序交叉算法，删除仓库端点，然后执行交叉，并在之后添加它们。父选择算法使用带有

goodness=1/时间到旅行路线

在没有交叉的情况下，该算法仅使用变异就可以产生良好的结果，但添加变异会显著恶化结果。下面是一个链接，指向一篇有类似问题的帖子：

根据帖子中给出的建议，善良变成了善良

goodness=1/时间\u到\u旅行\u路线^n随n变化

然而，这仍然没有产生有利的结果

人口规模：从100人到10000人 停止条件：从10代尝试到1000代 适应度算法：尝试1/次旅行路线^n，n从1变为大数

---

变异算法：该算法使用2-opt。所有的后代都是变异的。变异算法尝试不同的变异，直到找到更好的解决方案。然而，如果它找到一个更差的解决方案，它可能只返回概率为p的更差总体。这样做是为了增加一些随机性和逃避局部极小值。我们的p值从5%到20%不等。

为什么你认为遗传算法会给你带来好的结果？@DouglasZare我找到了多篇建议使用遗传算法的论文。遗传算法通常是我在网上发现的TSP问题的启发式算法。你确定你的交叉确实发生了正确的事情，并且你没有因为一些错误而破坏你的染色体吗？你有没有尝试过各种交叉方法，即每个父母一半，多个父母，等等？@Steve我们没有尝试过不同类型的交叉算法，因为经过研究，我们发现有序交叉算法是最好的算法之一。我们已经测试了电流输出，并且确信它目前正在做它应该做的事情。@algoBaller:听到这个消息我很惊讶。我认为遗传算法的性能会非常差。研究TSP问题的人是否认为遗传算法有效，或者研究遗传算法的人是否认为TSP是使用遗传算法的好地方？这些是非常不同的。