【组合优化】旅行商问题Traveling Salesman Problem(TSP)-遗传算法[GA]再分析

遗传算法中的变量是什么？

function pop = create_permutations(NVARS,FitnessFcn,options)

totalPopulationSize = sum(options.PopulationSize);
n = NVARS;
pop = cell(totalPopulationSize,1);
for i = 1:totalPopulationSize
    pop{i} = randperm(n); 
end

根据create生成函数可得，遗传算法中的变量为全排列。也就是说，遗传算法一直在可行解的框架内进行寻优。而在精确解法中的分支定界和割平面法中，前期许多过程均在一步步排除不可行的解。

如何让解发生交叉变化？

function xoverKids  = crossover_permutation(parents,options,NVARS, ...
    FitnessFcn,thisScore,thisPopulation)

nKids = length(parents)/2;
xoverKids = cell(nKids,1); % Normally zeros(nKids,NVARS);
index = 1;

for i=1:nKids
    % here is where the special knowledge that the population is a cell
    % array is used. Normally, this would be thisPopulation(parents(index),:);
    parent = thisPopulation{parents(index)};
    index = index + 2;

    % Flip a section of parent1.
    p1 = ceil((length(parent) -1) * rand);
    p2 = p1 + ceil((length(parent) - p1- 1) * rand);
    child = parent;
    child(p1:p2) = fliplr(child(p1:p2));
    xoverKids{i} = child; % Normally, xoverKids(i,:);

其中最核心的一行为：

child(p1:p2) = fliplr(child(p1:p2));

fliplr函数的作用是将一部分序列进行翻转。这个函数作用之后，仍然是一个可行解。也就是说，crossover函数是将一个可行解变成了另外一个可行解。

如何让可行解产生变异？

function mutationChildren = mutate_permutation(parents ,options,NVARS, ...
    FitnessFcn, state, thisScore,thisPopulation,mutationRate)

% Here we swap two elements of the permutation
mutationChildren = cell(length(parents),1);% Normally zeros(length(parents),NVARS);
for i=1:length(parents)
    parent = thisPopulation{parents(i)}; % Normally thisPopulation(parents(i),:)
    p = ceil(length(parent) * rand(1,2));
    child = parent;
    child(p(1)) = parent(p(2));
    child(p(2)) = parent(p(1));
    mutationChildren{i} = child; % Normally mutationChildren(i,:)
end

其中核心的一行为：

p = ceil(length(parent) * rand(1,2));

通过随机数，让两个粒子进行交换。通过此过程，规定了变异的强度。这个函数作用之后，仍然是一个可行解。也就是说，mutation函数是将一个可行解变成了另外一个可行解。

之后的动作就是标准过程，如下所示：

options = optimoptions(@ga, 'PopulationType', 'custom','InitialPopulationRange', ...
                            [1;nStops]);
options = optimoptions(options,'CreationFcn',@create_permutations, ...
                        'CrossoverFcn',@crossover_permutation, ...
                        'MutationFcn',@mutate_permutation, ...
                        'MaxGenerations',5000,'PopulationSize',5000, ...
                        'MaxStallGenerations',200,'UseVectorized',true);
numberOfVariables = nStops;
[x,fval,reason,output] = ...
    ga(FitnessFcn,numberOfVariables,[],[],[],[],[],[],[],options)