我正在使用遗传算法(GA)来优化旅行商问题(TSP)。我的问题是我如何计算个人的健康状况。 显然,具有较短路线的解决方案更为合适,但我如何在不知道最短路径和最长路径确定我的解决方案在该范围内适合的位置的情况下分配适合度值?
答案 0 :(得分:5)
健身等于路径长度很好。请记住,在遗传算法中,适应度仅用于选择个体:因此,通常selection procedures比例无关紧要,只有等级。
实施示例:
更多细微之处(2001 - Swarm Intelligence - Kennedy& Eberhart - 第249页):
巴勃罗·莫斯卡托(Pablo Moscato)是南美研究员,他是该公司的先驱 模因算法的研究(例如,Moscato,1989)。他和迈克尔 现在在爱丁堡大学苏格兰的诺曼开始了 20世纪80年代在加州理工学院合作。在他们最近的一篇论文中 描述了使用模因算法来优化a 旅行商问题(TSP)(Moscato和Norman,1992)。召回 TSP需要通过一些来寻找最短的路径 城市,只通过一次。这个问题很丰富 应用数学史,因为很难解决, 特别是当城市数量很大时。 TSP是NP难的 问题,这表明如果找到一种方法来解决它,那么a 其他大量问题也将得到解决。莫斯卡托和 诺曼使用的算法兼具合作和竞争 代理人口,并实现模拟的混合版本 退火进行局部搜索。一群人 - 这些 研究人员通常使用16个人群来搜索问题 空间,由城市的排列定义,称为“旅游”。 人口被概念化为一个环,每个人都是 附着在它的两个紧邻的邻居身上 竞争激烈;个人也与他人有联系 戒指的另一边,与他们合作。每个人都在 人口包括城市之旅。竞争被视为 游览之间的“挑战”和“战斗” 比较一个人及其邻居的长度和a 基于差异设置概率阈值。区别 在游览长度之间影响了s形曲线的陡度; 当差异很小或温度很低时, 概率分布几乎是均匀的,当时 两次旅行之间的长度差异很大,概率很大 增加了巡视1将被删除并替换为副本 参观0。
合作被用来让更多成功的人“交配” 相互之间,而不是与不太适合的人口。 用于决定竞争互动的相同规则是 用于评估合作伙伴对交叉的可取性,即 实施与GA一样。一个人“提议”到另一个人, 如果命题被接受,那就是随机的 决策有利于他们的互动,然后是交叉运营商 实现。因此创造了下一代。
答案 1 :(得分:2)
你可以对所有候选解决方案进行规范化,这样你到目前为止看到的最短路径得到健康分数1.0(或者10或者42或3.14 ......无论你喜欢什么),然后缩放所有路径的时间长于这相对来说。与最长路径相同 - 您观察到的最长路径被认为是最差的路径。
当您找到更短的路径(假设您为最高分数分配了一些更长的路径,例如1.0)时,您会采取什么措施 - 然后您必须提高规范化功能的上限。例如,开始分配健身2.0(或1.1,或其他任意大的健身分数)。
答案 2 :(得分:0)
如果您的程序最大化健身值,您可能希望最大化健身功能
f = - 游览长度
已编辑:我已经为健身添加了1000000000000,任意数字,以使健身正面,在阅读一些评论后,我意识到这是没有必要的。
如果您的程序正在最小化适应度值,您可能希望最小化适应度函数
f =巡回长度