应用于Max Cut问题的遗传算法和Kernighan-Lin算法的结合

1. 要解决的问题描述

经过一个学期的艰苦斗争，终于结束了遗传算法的课程。
一定要写个博客心疼一下自己。

如上图，Max-Cut 问题：
指给定一个无向带权图G=(V,E,C)，其中V为一含有2n个节点的集合，E为边集合，C为n*n且对称的权重矩阵（Cij表示节点i和节点j直接边的权重,Cii=0）。将图G划分为两个社区，原节点集合V分为两个集合A和B，并且使得社区之间连接的权重 T=求和Cab 为最大值（a是A中的任意节点，b是B中的任意节点）。

由于Max Cut问题是典型的NP-hard问题，所以本文利用了遗传算法来解决此类问题，其中遗传算法中的局部优化算法使用了KL算法（Kernighan-Lin）。

2. 遗传算法

为什么遗传算法能解决NP-hard问题呢， 简单总结：

如果把解空间比作有很多不同峰值的曲线，那么遗传算法起初就会随机的分配解，而后根据遗传算法的选择（selection）、交叉（crossover）、变异（mutation）、交替（replacement）等运算方法，一代一代的执行并更新后，整个解集会呈现一个进化的过程，解的质量越来越高。如果参数设置适当，总会有一个解会达到全局最优。
然而，没有局部优化算法的遗传算法是低效的，局部优化算法是为了加快每一个解达到其相对最优点的速度而使用，并且选择局部优化算法是根据不同问题而决定。

下面介绍本人具体构造的遗传算法：

2.1 遗传算法的construction

这里附上整个遗传算法的流程伪代码。
k为交替的子代个数，每一代生成k个子代进行更新循环，直到满足条件为止。
这里设定的条件为：种群的收敛值达到100%并种群进化的循环次数（代数）不超过1200代。

2.2 遗传算法的解的representation

使用了order-based bin