遗传算法之旅行家问题（TSP）

遗传算法之旅行家问题（TSP）

本文针对没有任何机器学习知识的小白。(干货)
先要了解什么是遗传算法？？
遗传算法是：（1）遗传学基本原理模拟 生物自然进化的方法
（2）遵循优胜劣汰，适者生存的原则
（3）是计算机科学人工智能的一种算法。
特点：*有限的构成元素（基因）
*无穷大的构成可能（太多太多的组合以至于无法全部列出…）
*可以找到一个近似最优解（不一定是全局最优解）

步骤：
Step1: 确定编码机制, 生成初始种群. 解决TSP问题通常采用城市序号对路径进行编码, 按照访问城市的顺序排列组成编码.
Step2: 计算种群中每个个体的适应度值. TSP求 解是要寻找使目标函数最小的个体, 因此选择适应度 函数fitness(𝑖) = 𝐷/𝑓(𝑅𝑖). 设置常数𝐷, 防止路径值 过大而导致适应度函数倒数接近于0. 可以看出, 巡游路径越小, 适应度值越大.
Step3: 选择算子. 通常采用精英个体保存策略和赌轮选择算子, 即适应度最高的个体一定被选择. 计算每个个体在整个种群适应度中的被选择概率和累计概率分别为

通过随机数𝑟所在的区间范围选择遗传个体.
Step4: 交叉算子. 由交叉概率𝑝𝑐 选择若干父体并进行配对, 按照交叉算法的规则生成新个体, 常用的规范方法有单点交叉、部分映射交叉、循环交叉等.
Step5: 变异算子. 为了保持种群个体的多样性, 防止陷入局部最优, 需要按照某一变异概率𝑝𝑚 随机确定变异个体, 并实行相应变异操作, 通常采用逆序 变异算子.
Step6: 迭代终止条件. 若满足预定的终止条件 (达到最大迭代次数), 则停止迭代, 所得的路径认为是 满意的路径; 否则, 转至Step2, 计算新一代种群中每 个个体的适应度值.

算法流程图：

例题：
旅行家问题（Travelling salesman problem,TSP）是这样一个问题：给定一系列城市以及每两个城市之间的距离，要求从某一点出发经过其余每一个点之后任回到该点，在保证每个点只能经过一次的情况下，求产生最短路径的城市序列。

上图为完全图
遗传算法解决TSP问题思路:
假设出发城市是0：

1.编码
最常用策略：路径编码
直接采用城市在路径中的位置来构造用于优化的状态。

例：四个城市TSP问题，路径：0-1-2-3
路径编码：(0 1 2 3)
基因编码用来表示遍历的城市顺序，如1230，表示四个城市中，先经过城市1，再经过城市2，依此类推。
2.交叉

3.变异

4.直到迭代。

答案：0-1-2-3（城市序列）