遗传算法：交叉算子 crossover operator

关于遗传算法中的permutation coding问题的交叉算子种类介绍 见文章

• Inver-over 算子 1998：Inver-over 算子可以看作是GA中交叉和变异的混合方法

     Inver-over步骤：

1. 随机初始化种群P
2. 如果没达到temination，对每一个个体，，随机从 中选择一个city c
3. 执行下面的循环，生成随机数，如果rand（）<=p，从 剩余的city中随机选择一个；如果rand（）>p，从P中随机选择一个个体，然后选择c下一个位置的city。执行上面的循环，直到选择的 是c的下一个city则停止
4. 计算eval（si）>eval（），更优则替换。

举个例子：如果 如果选择的city c=3，产生的随机数小于p，则从中选择另一个city =8，将c下一个位置与 之间的数字全部逆序，则；；另一种情况，如果产生的随机数大于p，则从种群P中随机选择一个个体，假设选择的个体是 ，则选择c的下一个city，这里是5，作为，然后将中c下一个位置与 之间的数字全部逆序，上面的过程执行多次，直到是c的下一个city。比如当前个体是 ，当前选中的city是6，不管随机数与p比较后选择那种方案生成，如果是8的话，循环结束。

实验部分：种群P=100，random inversion 概率p=0.02，结束条件是如果最后10次迭代最好的solution都没有得到改善。测试数据是TSPLIB。实验比较了simple inversion（p=1.0）和Lin-Kerninghan算法，前者时间和效果相差比较大，后者时间更短但是结果没有达到最优值。

• partially mapped crossover operator (PMX) 1985

PMX部分匹配交叉步骤：

1. 从父代随机选择两个个体P1,P2和两个点
2. 将P1,P2两点之间部分提取出来，放在子代O2，O1相同位置
3. 在提取出来的部分中，映射关系为2->1,7->6,1->8。下面我们可以把子代未填充的部分补充完整（使用父代），O1第一个位置来源于P1第一个位置，是3，第二个位置是4，最后一个位置5，因为没有与已经填上的部分（1 6 8）重复，直接填上就可以了，同理O2也可以填上。
4. O2，O1中打叉的部分在父代与子代相同位置重复，因此要使用映射的方法填入。例如，O1第三个位置应填入8，而8应该在第六个位置了，因此用1替换，而1也被填入了，则用2替换，所以最后填入O1第三个位置的是2，同理，第7个位置应填入7.

 

• Cycle Crossover (CX) 1987

1. 首先从父代随机选择两个个体P1,P2
2. 在某个父代上随机选择1个基因（如P1的第一个位置1），然后找到另一个父代相应位置上的基因编号（P2第一个位置是8），再回到第一个父代找到同编号的基因的位置（P1中的8），找到8对应P2中的基因编号7，重复先前工作，直至形成一个环，环中的所有基因的位置即为最后选中的位置：1-8-7-4-1
3. 将选中的数字填入到O1中，与P1中位置相同。
4. 然后将O1中未填充的部分用P2相同位置填入同理

但是CX有一个缺点，，，如上图所示，P1,P2产生的子代与父代完全一致。

• CX2 2017

CX2是对CX的改进，步骤如下：

1. 选择两个父代个体
2. 选择第二个父代P2的第一个位置作为第一个子代O1的第一个位置（这里与CX相反）
3. O1的第一个位置的bit是4对应P1中的第二个位置，这个位置对应O2的2，继续搜索，2在P1中是第四个位置，这个位置对应P2中的1，此时，1就作为O2的第一个元素。
4. 选中的1是P1中的第六个元素，这个位置对应P2中的8，因此，8作为O1的第二个元素
5. 对选中的8执行两个移动，P1中的8对应P2中的5，P1中的5对应P2中的7，因此，
6. 继续执行4，5直到P1中的第一个元素添加到O2中（此时完成了一个cycle），，注意，对于O1只移动1次，而O2移动两次完成子代的选择。
7. 如果有一些元素被剩下，将P1，P2中已经被填入O2,O1的部分隐去，然后仍然执行2-5步。

考虑这样一种情况，，按照上面的算法可以得到，此时停止因为已经形成了一个cycle，将O1填入的元素在P2中隐去，同理O2填入的元素在P1中隐去，然后仍然执行4，5，即得到

在TSP问题上的测试表明，CX2在一些问题上比PMX好，一些没有PMX好，但是大部分比OX好

• Position-based Crossover (PBX) 1990

1. 随机选择父代P1,P2，随机选择几个基因位置，位置可以不连续
2. 将选中的P1基因按照位置复制到O1中
3. 删除P2中P1选中的基因，剩下的部分按照顺序填入O1

PBX与OX相似，区别是选择的基因位置可以不连续，在保持位置信息方面可能不如CX和PMX

• Order-Based Crossover (OBX) 1990

1. 随机选择父代P1,P2，随机选择P1中几个基因位置，位置可以不连续
2. 找到P2中选中的P1基因，将P2中剩余的基因按照P2基因位置复制到O1中
3. 将P1中选中的基因按照先后顺序放入O1中剩余位置

• Subtour Exchange Crossover

1. 随机选择父代P1,P2，随机选择P1上的连续一段基因，在P2上找到这些基因所在位置
2. 保持未选中的基因不动，分别复制到O1,O2中，剩下的基因分别用P2，P1中选中的基因填入

这个算法的不同是只在P1上选中染色体，算法一次可以生成2个子代

参考https://blog.csdn.net/u012750702/article/details/54563515/

• sequential constructive crossover (SCX) 2010

SCX根据父代better edges构造子代，与GNX,ERX不同的是，SCX不仅取决于父代的构造，也能够生成新的，更好的构造，这些构造可能在两个选择的父代中都没有出现。

算法步骤：

1. 从第一个节点node 1开始
2. 依次搜索两个父代染色体，比较在父代中出现在节点P后面的第一个合法节点（没有被访问过的），如果父代中P节点后面没有合法节点，一次搜索{2，3，4，...n}，选择第一个合法的节点，执行3
3. 假设节点α和β分别在第一个和第二个父代中，选择下一个节点执行4
4. 如果 ，选择α，否则选择β作为下一个节点，将其连接到已经选中的节点后面，如果都已经被选择则停止，否则，将当前的节点命名为P，执行2

假设父代分别为 ，对于非对称的TSP有

此时P1和P2的值分别是312和331，下面是SCX的执行步骤：选择第一个节点1，在P1和P2中第一个节点后面的合法节点分别是5，6，C15=35,C16=63，C15<C16，所以选5，O1的染色体为（1，5），在P1和P2中5后面的合法染色体都是7，所以O1的染色体为（1，5，7），在P1中7后面的合法节点是3，P2中没有，因此考虑{2，3，4，...n}中第一个合法的节点，是2，C73=43>31=C72,所以O1的染色体为（1，5，7，2），重复上面的步骤，2后面的合法节点3和4，C23=86 >46=C24,所以O1的染色体为（1，5，7，2，4），4后面的合法节点在P1中没有，P2中是3，对于P1考虑{2，3，4，...n}中第一个合法的节点，也是3，所以O1的染色体为（1，5，7，2，4，3），3后面的合法节点在P1中是6，P2没有，考虑{2，3，4，...n}中第一个合法的节点，也是6，所以O1的染色体为（1，5，7，2，4，3，6），TSP最后的结果是266小于父代两个染色体。

• edge recombination crossover (ERX) 1991

1. 假设子代首先从node1开始，node 1的下一个元素可以是5，2，6，7，其中5，2，7有2个合法下一节点，6有3个，选择下一节点数目少的元素，因此可以从5，2，7中选择，假设随机选择的是5，有2个下一节点（去掉1）7和3，同样选择下一节点少的7，此时，7只有一个节点可以连接即3，与3连接的6和4中都只剩下2个节点，假设随机选择4，下一节点是6和2，这两个节点都只有一个下一节点，随机选择6，然后连接2，最后为（1，5，7，3，4，6，2），这个结果323比父代中一个值更大，有5条边是从父代中选择的，但是值更大。

• generalized N-point crossover (GNX) 1995

 

•