Question

我正在为一个项目工作。我正在尝试使用GA解决旅行商问题。我使用array[]来存储数据，我认为Array比List快得多。但无论如何，它需要花费太多时间。例如使用MaxPopulation = 100000，StartPopulation=1000，该计划将持续约1分钟。我想知道这是不是一个问题。如果是，我该如何解决这个问题？

我的实施中的代码部分：

        public void StartAsync()
        {
            Task.Run(() =>
            {
                CreatePopulation();
                currentPopSize = startPopNumber;

                while (currentPopSize < maxPopNumber) 
                {
                    Tour[] elits = ElitChromosoms();

                    for (int i = 0; i < maxCrossingOver; i++)
                    {
                        if (currentPopSize >= maxPopNumber)
                            break;
                        int x = rnd.Next(elits.Length - 1);
                        int y = rnd.Next(elits.Length - 1);

                        Tour parent1 = elits[x];
                        Tour parent2 = elits[y];

                        Tour child = CrossingOver(parent1, parent2);

                        int mut = rnd.Next(100);

                        if (mutPosibility >= mut)
                        {
                            child = Mutation(child);
                        }
                        population[currentPopSize] = child;
                        currentPopSize++;
                    }
                    progress = currentPopSize * 100 / population.Length;
                    this.Progress = progress;
                    GC.Collect();
                }
                if (GACompleted != null)
                    GACompleted(this, EventArgs.Empty);
            });
        }

在这里，“elits”是具有比人口平均拟合值更大拟合值的染色体。

Answer 1

科学论文表明人口较少。也许你应该遵循其他作者的写作。拥有大量人口并不会给你带来任何好处。

TSP可以通过GA解决，但也许它不是解决此问题的最有效方法。看看TSP-GA的这种视觉表示：http://www.obitko.com/tutorials/genetic-algorithms/tsp-example.php

Answer 2

确定。我刚刚找到了解决方案。不要使用大小为maxPopulation的数组，而是使用健康状况不佳的老一代改变新一代。现在，我正在使用一个体积较小的数组，其长度为10000.之前的长度为1,000.000并且花费了太多时间。现在，在每次迭代中，选择最好的1000条染色体并使用这些染色体创建新的染色体作为父母，并替换旧的和坏的染色体。这很完美。

代码示例：

    public void StartAsync()
             {
                CreatePopulation(); //Creates chromosoms for starting
                currentProducedPopSize = popNumber; //produced chromosom number, starts with the length of the starting population

                while (currentProducedPopSize < maxPopNumber && !stopped) 
                {
                    Tour[] elits = ElitChromosoms();//Gets best 1000 chromosoms
                    Array.Reverse(population);//Orders by descending
                    this.Best = elits[0];
              //Create new chromosom as many as the number of bad chromosoms
                    for (int i = 0; i < population.Length - elits.Length; i++) 
                    {
                        if (currentProducedPopSize >= maxPopNumber || stopped)
                            break;
                        int x = rnd.Next(elits.Length - 1);
                        int y = rnd.Next(elits.Length - 1);

                        Tour parent1 = elits[x];
                        Tour parent2 = elits[y];

                        Tour child = CrossingOver(parent1, parent2);

                        int mut = rnd.Next(100);

                        if (mutPosibility <= mut)
                        {
                            child = Mutation(child);
                        }
                        population[i] = child;//Replace new chromosoms
                        currentProducedPopSize++;//Increase produced chromosom  number
                    }

                    progress = currentProducedPopSize * 100 / maxPopNumber;
                    this.Progress = progress;
                    GC.Collect();
                }
                stopped = false;
                this.Best = population[population.Length - 1];
                if (GACompleted != null)
                    GACompleted(this, EventArgs.Empty);
            }

            Tour[] ElitChromosoms()
            {
                Array.Sort(population);
                Tour[] elits = new Tour[popNumber / 10];

                Array.Copy(population, elits, elits.Length);
                return elits;

            }

用GA（遗传算法）实现解决TSP是否正常需要花费很多时间？

2 个答案: