如何改善TSP的遺傳算法？

Question

這是我的遺傳算法，分步進行：

1. 隨機生成兩個初始種群，然后從兩者中選擇最適合的游覽。

2. 執行有序分頻，選擇第一個擬合巡回的隨機部分，然后從第二個依次填充其余部分。

3. 如果該游覽僅是初始人口中排名前10％的游覽的1.3倍（我實際上只是通過歸納法完成，將產生的貧困旅行選出來），則通過隨機交換兩個城市來改變此游覽的方式-我很樂意改變這一點，但想不出更好的方法。

   • 該突變選自幾個突變的群體。

4. 返回產生的游覽。

但是，與分頻器不同的是，變異幾乎總是更糟。

非常感謝您的幫助。 謝謝！

Answer 1

Google Analytics（分析）的問題是縮小搜尋空間的速度太快，無法達成當地的最高解決方案。 您需要確保除了選擇/健身功能以外，不要以任何其他方式領導您的解決方案。 所以當你說

為什么您會選擇一個好的解決方案，然后執行最有可能使它成為更糟糕的解決方案的功能

，原因是您想讓解決方案退后一步，它可能需要變得更糟才能變得更好。 因此，實際上，您應該從遺傳算子中刪除所有判斷邏輯，然后再由選擇過程中選擇。

同樣，交叉和變異應該被視為生成孩子個體的兩種不同方式，您應該使用其中一種。 實際上，這意味着您有機會執行單親突變或兩個親本之間的交叉。 通常，突變機會只有5％，而使用交叉產生其他95％。

交叉保留了父母雙方的遺傳信息（孩子是鏡像），因此一個孩子比父母更糟，另一個孩子比父母更好（或兩者都一樣）。 因此，從這種意義上講，跨界工作如果有所變化，您總是會得到更好的個人。

另一方面，變異並不能保證會有更好的個體，但是它的存在是為了引入新數據，從而有助於將遺傳算法從局部最大值場景中轉移出來。 如果突變不能改善個體並使之惡化，那么無論如何，選擇突變育兒的機會就會減少（即，突變運算符本身不需要這種邏輯）。

你選擇最好的變異

嚴格來說並非如此，好的人應該有更高的被選中的機會。 在這里，有一個微妙的區別，即BAD個人也可能被選為父母。 同樣，這有助於減少達到局部最大值解的機會。 這也意味着，一代人中最好的人實際上可能（而且經常如此）變得更糟。 為了解決這個問題，我們通常采用“精英主義”，即最好的人總是被復制到下一代（正在/不進行任何操作）。

如果我可以評論您使用的是哪種遺傳算子，那也將是有益的。 根據我的經驗，我發現循環交叉和反轉突變效果很好。