用于TSP的GA算法方法

Question

我构建了一个GA算法来解决TSP。

这是Norvig的书（AIAMA）中的练习。他建议我们阅读Larrañaga关于表达等问题的观点。我在那里学到了一些跨越运算符和突变，并尝试了其中一些，看看哪个更适合我。我还根据每条路径的成本详细说明了适应度函数。

好吧，尽管我对我的算法设计有任何疑问，但我之前从未使用过AI，因此我不知道我的方法是否适用于GA。

这就是我的所作所为：

我采用了一个路径向量（我的初始人口）

然后在每个循环中，我通过增加成本顺序来组织此向量，并在此向量中获取最佳X路径并删除其他路径。

然后我应用XOver和Mutation（以一定的速率）并将它们放在向量的旧删除值的位置。

然后我做同样的事情（订购矢量 - 提取最佳等）

并继续这样做直到它稳定下来。

这是一个好方法吗？如果不是给我一些北方。因为当我选择最好的并且没有保留它们时（刚刚通过Xover和变异创建了一个全新的流行音乐）我没有得到好的结果。这样（保持最好的 - 在一些实验中我只保留最好的一个）我有更好的结果，结果总是收敛和快速

状态表示：对于状态表示，我选择使用路径表示（我从一开始就使用它并决定在阅读Larrañaaga等所有之后坚持使用它）， 它如下：如果我们有5个城市参观第一个城市，然后是第二个城市，那么第三个城市......我们的路径表示将是（1,2,3,4,5）

初始人口生成：实际上我生成代表城市的随机点（这是本书要求我做的，在一个封闭的正方形中生成随机点） - 但为了比较，我生成了一个群体并坚持使用它在比较结果时 - 我想如果我没有坚持一个特定的人口，我就不会对我的改进有太多了解

最适合个人：最合适的个人是拥有最佳旅行费用的人。 （我不知道我是否应该 - 在这个问题中 - 使用其他东西作为参数

crossover：我尝试了一些交叉操作符，并将我的重复与本书中提到的重新比较，并最终使用了一个Order CrossOvers（Larrañaga等人（1999））： 这个交叉从两个父路径中获取两个随机切口（形成子路径），然后从另一个父路径复制路径的其余部分（尚未访问该子路径内的城市）（从第二个切割开始，而不是在位置'0'） - 添加它们出现在另一个父级中的城市。

示例：路径（1 2 3 4 5）（3 4 2 1 5）选择子路径（234）和（421） 我们将作为后代（5 | 2 3 4 | 1）（5 | 4 2 1 | 3）＆lt; - 内部的部分| |来自父母一方，另一方来自另一方父母

突变：对于突变，我选择了IVM（Inversion Mutation）方法。它从原始路径获取一个子路径，然后将其插回（倒置）到一个随机点。

示例：路径（1 2 3 4 5）子路径（2 3 4）和5之后的随机插入

生成：（1 5 | 4 3 2）

Answer 1

首先，避免使用所有这些缩写（GA，TSP，XOver）。这很难读，有些人可能不知道你在说什么。 遗传算法的第一个问题是如何您选择初始种群，如何您执行交叉，如何您执行突变。第二个问题是对描述的天真理解可能是一个可怕的。

对于你来说，最合适的人是那些已经成本更高的人。你可以说最好采取最多样化的个体，即更有可能探索问题空间不同部分的个体。描述如何进行以下操作：

• 州代表：只是为了确保
• 初始人口生成：非常重要。也许有可用于此步骤的材料，因为它在本地搜索算法中很常见。
• 最适合个人：我建议你尝试在这里玩更多。尝试不同的策略。您正在寻找最适合 再现 ，而不是整体解决问题的方法。
• crossover ：你是怎么做到的？
• 变异：变异的目标是规避问题空间的当前区域，并且可以创建一个成本非常高的个体。使用当前算法进行下一步，当你排序
时，他将被抛弃

您还需要评估您的解决方案如何随着运行时间而改善。例如，您提供n而不是100n次迭代，解决方案是否会变得更好，多少？当算法停止时，上一代的个体彼此之间的相似程度等等。

另一个问题，您是否尝试针对固定拓扑或可变拓扑来解决它？

编辑： 您正在使用已发布的算法，因此似乎问题不在于特定操作。对于健身，你是正确的坚持路径成本。你说

  

因为当我选择最好并且没有保留它们时（刚刚通过Xover和变异创建了一个全新的pop）我没有得到好的结果。这样（保持最好的 - 在一些实验中我只保留最好的一个）我有更好的结果，结果总是收敛和快速。

你应该保持最适合的个人和他们的孩子。它遵循一种邪恶的自然原则， 只有最好的才有权重现 。必须更换的是最不适合的人。

您可以调整3个参数：有孩子的最适合个体的比例（也将丢弃个体的数量），变异概率和运行次数。

要测试算法的执行方式，您可以通过迭代对最佳解决方案进行采样，即每次t次迭代都可以节省更低的成本。一旦绘制，它应该看起来像：