我尝试使用遗传算法解决这个问题，并且难以选择适应度函数。 我的问题与原来的旅行商问题有点不同，因为人口，也许胜利单位不一定包含所有城市。
所以，每个单位我有2个值：他访问的城市数量，他访问城市的总时间和顺序。 我尝试了2-3次健身功能，但他们没有给予良好的闷热。
我需要考虑良好的健身功能，考虑到他所访问的城市数量以及总时间。
谢谢！
答案 0 :(得分：2)
除了Peladao关于使用帕累托方法或某种加权和的建议之外，为了完整起见，还有两种可能性我想提及。
首先，您可以优先考虑您的健身功能。因此，人口中的个体按第一个目标排名，然后是第二个目标，然后是第三个目标。因此，只有当第一个目标中两个人相等时，他们才会被第二个目标进行比较。如果你的目标明显占主导地位，这可能是一种可行的方法。
其次，您可以将两个目标定义为仅在超过特定阈值时才会受到惩罚的约束。例如，这可能是可行的。城市数量不应该在一定范围内，例如[4; 7]，但如果它是4或5则无关紧要。这类似于加权和方法，其中各个目标对组合适应值的贡献相差几个数量级。
帕累托方法是唯一一个同等重视所有目标的方法。它需要适合多目标优化的特殊算法，例如NSGA-II，SPEA2，AbYSS，PAES，MO-TS，......
在任何情况下，如果您能够显示您尝试过的2-3个健身功能，那将是一件好事。也许有相当简单的错误。
答案 1 :(得分：1)
可以使用Pareto optimal实现多目标适应度函数。
您还可以使用不同适合度值的加权和。
对于多目标优化和GA的良好且可读的介绍：http://www.calresco.org/lucas/pmo.htm