这是我的遗传算法，一步一步：
随机生成两个初始种群，并从两者中选择最适合的游览 .
执行有序交叉，按顺序选择第一个适合游览的随机部分并从第二个填充其余部分 .
通过随机交换两个城市来改变这个旅游，如果旅行的次数只是初始人口中前10％的旅行的1.3倍（我实际上只是通过归纳完成，挑选出来的穷人旅行） - 我会喜欢要改变这一点，却想不出更好的方法 .
突变选自几个突变的群体 .
返回生成的游览 .
然而，突变几乎总是更糟，如果不是与交叉相同 .
我非常感谢一些帮助 . 谢谢！
GA的一个问题是缩小您的搜索空间太快并达到局部最大值解决方案 . 除了选择/适应功能之外，您需要确保不以任何方式引导您的解决方案 . 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它成为一个更糟糕的解决方案的功能
原因是你希望解决方案有机会退一步，它可能需要在它变好之前变得更糟 . 所以你应该从遗传算法中删除任何判断逻辑，将其留给选择过程 .
此外，交叉和变异应被视为生成儿童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个父母的突变或2个父母之间的交叉 . 通常突变几率仅为5％，交叉用于产生另外95％ .
交叉保持父母双方的遗传信息（儿童是镜像），因此一个孩子将比父母更差，另一个孩子更好（或两者都相同） . 所以在这种意义上，交叉，如果有变化，你将永远得到一个更好的个体 .
另一方面，突变不能保证更好的个体，但它的存在是为了引入新数据，有助于将GA从局部最大值方案中移除 . 如果突变无法改善个体并使其变得更糟，那么无论如何它被选择为养育孩子的机会较少（即你在变异算子本身中不需要这种逻辑） .
你选择最好的变异
这不是严格意义上的，好的人应该有更高的选择机会 . 在这里有一个微妙的区别，BAD个人也可能被选为父母 . 同样，这有助于降低达到局部最大值解决方案的机会 . 这也意味着一代人中最好的个体可能（并且经常会）实际上变得更糟 . 为了解决这个问题，我们通常会实施“精英主义”，即最好的个人总是被复制到下一代（在没有操作的情况下） .
如果我可以评论您正在使用哪些遗传算子也将是有益的 . 我发现循环交叉和反转突变在我的经验中运作良好 .
1 回答
GA的一个问题是缩小您的搜索空间太快并达到局部最大值解决方案 . 除了选择/适应功能之外，您需要确保不以任何方式引导您的解决方案 . 所以，当你说，
原因是你希望解决方案有机会退一步，它可能需要在它变好之前变得更糟 . 所以你应该从遗传算法中删除任何判断逻辑，将其留给选择过程 .
此外，交叉和变异应被视为生成儿童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个父母的突变或2个父母之间的交叉 . 通常突变几率仅为5％，交叉用于产生另外95％ .
交叉保持父母双方的遗传信息（儿童是镜像），因此一个孩子将比父母更差，另一个孩子更好（或两者都相同） . 所以在这种意义上，交叉，如果有变化，你将永远得到一个更好的个体 .
另一方面，突变不能保证更好的个体，但它的存在是为了引入新数据，有助于将GA从局部最大值方案中移除 . 如果突变无法改善个体并使其变得更糟，那么无论如何它被选择为养育孩子的机会较少（即你在变异算子本身中不需要这种逻辑） .
这不是严格意义上的，好的人应该有更高的选择机会 . 在这里有一个微妙的区别，BAD个人也可能被选为父母 . 同样，这有助于降低达到局部最大值解决方案的机会 . 这也意味着一代人中最好的个体可能（并且经常会）实际上变得更糟 . 为了解决这个问题，我们通常会实施“精英主义”，即最好的个人总是被复制到下一代（在没有操作的情况下） .
如果我可以评论您正在使用哪些遗传算子也将是有益的 . 我发现循环交叉和反转突变在我的经验中运作良好 .