遗传算法+改良圈算法

关于改良圈算法的操作，不再赘述
https://blog.csdn.net/Fighting_Peter/article/details/104278498

泻药，没看懂太多，代码抄的书本，MATLAB的矩阵表示让我有点儿无法想象，所以很多下标或者行向量列向量没法写。

我看懂的一部分，用注释标出来了。

tic %计时开始
clc,clear;
sj0=load('sj.txt');
x=sj0(:,[1:2:8]);x=x(:);%将x变成列向量
y=sj0(:,[2:2:8]);y=y(:);%将y变成列向量
sj=[x y];%变成一百行两列的矩阵
d1=[70 40];%出发地点
sj=[d1;sj;d1];%起点，中间过程，终点
sj=sj*pi/180;%角度化成弧度
d=zeros(102);%距离矩阵初始化
for i=1:101
    for j=i+1:102
        d(i,j)=6370*acos(cos(sj(i,1)-sj(j,1))*cos(sj(i,2))*cos(sj(j,2))+sin(sj(i,2))*sin(sj(j,2)));%计算任意两点之间的距离
    end
end
d=d+d';%矩阵等于矩阵加上转置，构造一个对称矩阵
w=50;g=100;%w为种群的个数，g为进化的代数
rand('state',sum(clock));%初始化随机数发生器
%也是一种贪心的策略,仍然是近似最优来排除明显不合理的解
for k =1:w %试图通过改良圈算法来选取初始种群
    c=randperm(100);%产生一个100的全排列
    c1=[1 c+1 102];%初始解
    for t=1:102 %该层循环是修改圈
        flag=0;%修改圈退出标记
        for m=1:100
            for n=m+2:101
                if d(c1(m),c1(n))+d(c1(m+1),c1(n+1))<d(c1(m),c1(m+1))+d(c1(n),c1(n+1))%改良圈成立则进行修改路径
                    c1(m+1:n)=c1(n:-1:m+1);
                    flag=1;%修改圈
                end
            end
        end
    if flag==0 %无修改则退出，节省算力
        J(k,c1)=1:102;%记录下较好的解并且推出当前循环
        break;
    end
    end
end
J(:,1)=0;J=J/102;%把整数序列转换成01区间上的实数，即转换成染色体编码
for k=1:g %进行遗传算法的操作
    A=J;%交配产生子代A的初始染色体
    for i=1:2:w
        ch1(1)=rand;%混沌序列的初始值，rand产生的是01之间的数字
        for j =2:50
            ch1(j)=4*ch1(j-1)*(1-ch1(j-1));%产生混沌序列
        end
        ch1=2+floor(100*ch1);%产生交叉操作的地址     
        %进行一次交叉互换，矩阵到现在都搞不懂
        temp=A(i,ch1);%中间变量的保存值
        A(i,ch1)=A(i+1,ch1);%交叉操作
        A(i+1,ch1)=temp;
        %%矩阵的表示方法至今没弄很懂
    end
    by=[];
    while ~length(by)
        by=find(rand(1,w)<0.1);%产生变异操作的地址
    end
    num1=length(by);
    B=J(by,:); %产生变异操作的初始染色体
    ch2=rand; %混沌序列的初始值
    for t=2:2*num1
        ch2(t)=4*ch2(t-1)*(1-ch2(t-1));%产生混沌序列，logistics混沌序列公式
    end
    for j=1:num1
        bw=sort(2+floor(100*rand(1,2)));%产生变异操作的两个地址
        B(j,bw)=ch2([j,j+1]);%bw处的两个基因发生了变异
    end
    G=[J;A;B];%父代和子代种群合起来在一起
    [SG,ind1]=sort(G,2);%把染色体翻译成1 ……102的序列
    num2=size(G,1);long=zeros(1,num2);%路径长度的初始值
    for j=1:num2
        for i=1:101
            long(j)=long(j)+d(ind1(j,i),ind1(j,i+1));%计算每条路径的长度
        end
    end
    [slong,ind2]=sort(long);%对路径长度进行从小到大排序
    J=G(ind2(1:w),:); %精选前w个较短的路径对应的染色体
end
path=ind1(ind2(1),:),flong=slong(1); %解的路径及路径长度
toc %计时结束
xx=sj(path,1);yy=sj(path,2);
plot(xx,yy,'-o'); %画出路径
fprintf("%f",flong/1000);%输出路径的长度

总体的思路是，遗传算法模仿DNA的交叉互换方式进行遗传淘汰选择，并且通过变异来跳出局部最优的困境，最终选择最短路。
此题目与上一篇的模拟退火是一个题目，最终得到的结果发现，此题目用遗传算法得到的答案更优，并且波动更小，这是因为遗传算法模拟生物进化时，每次交叉互换采用了单点交叉，即只改变一小部分基因序列，使得结果不至于大起大落甚至最后不能趋于稳定，改进后具有良好的收敛性。
在操作过程中，可以通过改变变异概率使得程序不至于早熟（即很早就达到一个平衡点。
这样看来，神经网络的算法并不具有所谓模板。而如何最优利用算力，是建模过程中应该好好考虑的问题。
PS：学到了一个词叫做，“寻优抖振问题”。
并没有查到具体词条，看意思来说，大概：
抖振现象是指，机翼或者机尾受到外力而随机性振动，类比过来，可能说的就是最优解寻找过程中最终无法达到平衡点，反而上下波动的现象吧。我的理解就是，即使你得到了一个解，但是由于其不收敛的趋势，此问题仍然处于无答案的状态。

来看折纸