如何改进 TSP 的这种遗传算法？答案

【问题标题】：How can I improve this genetic algorithm for the TSP?如何改进 TSP 的这种遗传算法？
【发布时间】：2018-01-17 06:33:00
【问题描述】：

这是我的遗传算法，一步一步来：

随机生成两个初始种群，并从两者中选择最合适的游览。
执行有序交叉，它选择第一个适合游览的随机部分，并按顺序从第二个开始填充其余部分。
如果巡演的效果仅为初始人群中前 10% 巡演的 1.3 倍，则通过随机交换两个城市来改变巡演（我实际上只是通过归纳来完成的，挑选出产生的差的巡演） - 我很想改变这一点，但想不出更好的方法。
- 突变选自多个突变的群体。
返回生成的游览。

然而，突变几乎总是更糟，如果与交叉不同的话。

非常感谢一些帮助。谢谢！

【问题讨论】：

不要做交叉。没必要。
交叉实际上改进了从初始种群（父母）中选择的那些 - 但不会产生最好的游览。
交叉和突变不会产生更好的基因；他们制造不同的基因。选择让事情变得更好。交叉是不必要的并发症。
我也是这么想的，但是去掉了交叉和变异，你所拥有的只是蛮力。我需要设计一个遗传算法。
你还在做变异。在顶级基因中随机“选择”并对其进行突变。这不是蛮力，它是随机的。它是遗传的，因为你的变异“基因”。

标签： python genetic-algorithm traveling-salesman mutation crossover

【解决方案1】：

GA 中的一个问题是过快地缩小搜索空间并达到局部最大值解决方案。您需要确保除了选择/适应功能之外，您没有以任何方式领导您的解决方案。所以当你说，

为什么你会采取一个好的解决方案，然后执行一个很可能使其成为更糟糕解决方案的功能

，原因是您希望解决方案有机会退后一步，它可能需要在变得更好之前变得更糟。所以你真的应该从你的遗传算子中删除任何判断逻辑，把它留给选择过程。

此外，交叉和变异应被视为生成子个体的两种不同方式，您应该使用其中一种。在实践中，这意味着您有机会执行单亲的突变或两个亲本之间的交叉。通常突变几率只有 5%，其余 95% 使用交叉生成。

交叉保留来自父母双方的遗传信息（孩子是镜像），因此一个孩子会比父母差，另一个更好（或两者相同）。所以从这个意义上说，跨界，如果有变化，你总会得到一个更好的个体。

另一方面，突变并不能保证更好的个体，但它的存在是为了引入新数据，帮助将遗传算法从局部最大值场景中移开。如果突变未能改善个体并使其变得更糟，那么无论如何它被选为养育孩子的机会就会更小（即，您不需要突变算子本身的这种逻辑）。

你选择最好的变异

这并不完全正确，优秀的人应该有更高的被选中机会。在这里有一个细微的差别，BAD 个体也可能被选作父母。这再次有助于减少达到局部最大值解决方案的机会。这也意味着一代人中最优秀的人实际上可能（而且经常会）变得更糟。为了解决这个问题，我们通常实施“精英主义”，即最好的个体总是被复制到下一代（在它是/不进行任何操作时）。

如果我能评论您正在使用哪些遗传运算符，那也将是有益的。根据我的经验，我发现循环交叉和反转突变效果很好。

【讨论】：