遗传算法入门（四）

TSP问题实际上是“哈密顿回路问题”中的“哈密顿最短回路问题”.如下图，就是要把下面8个城市不重复的全部走一遍。有点像小时候玩的画笔画游戏，一笔到底不能重复。TSP不仅是要求全部走一遍，并且要求路径最短。就是可能全部走一遍有很多走法，要找出其中总路程最短的走法。 

    

 

和这个问题有点相似的是欧拉回路（下图）问题，它不是要求把每个点都走一遍，而是要求把每个边都不重复走一遍(点可以重复)，当然欧拉回路不是本算法研究的范畴。

从TSP引申出下面系列问题

1、TSP问题：要求每个点都遍历到，而且要求每个点只被遍历一次，并且总路程最短。

2、最短路径问题：要求从城市1到城市8找一条最短路径。

3、遍历m个点，要求找出其距离最短的路线。(如果m=N总数，其实就是问题1了，所以问题1可以看成是问题3的特例)。

遗传算法的理论是根据达尔文进化论而设计出来的算法:人类是朝着好的方向（最优解）进化，进化过程中会自动选择优良基因、淘汰劣等基因。

在上面TSP问题中，一个城市节点可以看成是一个基因，一个最优解就是一条路径（包含若干个点）。类似一条染色体有若干基因组成一样。所以求最短路径问题可以抽象成求最优染色体的问题。

遗传算法很简单，没有什么分支判断，只有两个大循环，流程大概如下：

 

流程中有几个关键元素：

1、适度值评估函数。这个函数是算法的关键，就是对这个繁衍出来的后代进行评估。用这个函数进行量化。在TSP中路径越短，分数越高。函数可以这样fitness = 1/total_distance.或者fitness = MAX_DISTANCE – total_distance.不同的计算方法会影响算法的收敛速度，直接影响结果和性能。 

2、选择运算规则:又称选择算子。对应着达尔文理论中适者生存，意思就是只有优秀的人才有更大的几率存活下来，拥有交配权，有权利拥有更多后代，传承下自己血脉基因。选择方法比较多。最常见的是round robin selection算法，即轮盘赌算法,这个算法比较简单有效。选择算法目前已有10来种之多。各种不同业务可以按需选择。 

选择公式如下:

3、交叉运算规则：又称交配规则，交叉算子。对应遗传学中的精子和卵子产生的受精卵含有精子的部分基因，也含有卵子的部分基因的现象。就像孩子有点像父亲，又有点像母亲的规律。交叉运算算法更多。最常见的是k-opt交换。其中k可以是1,2,3…。简称单点交换，两点交换，3点交换等等:

单点交换

其中修复重复基因根据业务需要看是否需要。 

两点交换

4、 变异运算规则：又叫变异算子。在人类遗传进化过程中会发生一些基因突变。这些突变有可能是好的突变，有可能是坏的突变。像癌细胞就是坏的突变，爱因斯坦的大脑估计是好的突变。

从计算机算法角度看：所有的启发式算法无外乎两种手段结合：局域搜索和全域搜索。局域搜索是在邻域范围内找出最优解。对应的是选择算子和交叉算子在内部找最优秀的。如果只有局域搜索的话，就容易陷入局域最优解。算法结果肯定是要找出全域最优解，这就要求跳出局域搜索。我们称之为“创新”。创新就是一次打破常规的突破——就是“变异”。 

这里拿最短路径路径举例子，求点1到点8之间的最短路径， 初始解是1——2——3——6——8

内变异： 所谓内变异就是在自己内部发生变异。严格来说其实不是一种变异。但是它又是一种比较有效的手段。

  

外变异：外变异是引入创新，突破传统的质的飞跃,也是启发算法中所谓的全域搜索。下面是在当前基因中引入外部基因（当前集合的补集）。