智能优化算法学习记录（一）：GA算法

遗传算法解TSP与0-1背包问题

算法策略

遗传算法借鉴仿生学原理，通过随机化生成种群，对种群进行个体选择，交叉，变异，重组和约束处理操作。不断进行迭代，让种群中的染色体（个体---问题的一个解）多样性增强的同时，也让种群朝着Fitnv（适应度函数）增加（具体增加或减少看问题以及函数操作）的方向进化，从而找到全局的最优解。

从算法策略可以看出，遗传算法也适合解决多模态问题。其次算法通过约束处理，选择，还有重组操作让种群中Fitnv朝着我们想要的方向发展。交叉和变异操作是在满足种群染色体的多样性。

算法步骤

第一阶段：输入数据  对于TSP问题即N个城市的坐标信息；对于0-1背包问题即物品价值向量，物品质量向量，背包最大承载质量；

第二阶段：参数处理 第一步也是最重要的一步就是编码（encode），种群中每个染色体就是问题的一个解的形式，用合适的方式编码去表示问题的解很重要。还有初始化种群等参数处理。

第三阶段： 主循环 让种群经过Maxgen次迭代，每次迭代中经历select(),crossover(),mutate(), combina()，操作。选择出适应度最好的个体，并且记录。

第四阶段： 可视化 适应度随着迭代次数发生的变化，最优化结果的输出；

各部分的学习心得，注意事项，技巧

part1: 编码时，本次我在刚开始自己尝试解决TSP问题时，在生成每个染色体Individual时就保证了首尾元素一致，也就是问题的约束（回到出发城市）。但是这样会让后面的交叉，变异操作不好进行，不利于后续处理，事实上，我们没必要去用一个闭环线路来表示一个解，因为闭环线路只是在我们计算该解的路径长or花费时间的时候才用到，我们完全可以就用Individual=randperm（n）来表示，因为解就是Individual1=（individual，individual（1））。

select()  有两种操作：1，轮盘赌和代沟GGAP。一个种群中Fitnv=[Fitnv1，Fitnv2，.....，Fitnvn] ,正常的如果要让种群超Fitnv大的方向进化，只需要c=cumsum（Fitnv），r=rand，index=find(r<=c,1,'first')返回被选中个体的序号，一共选择Nselch个, 如果方向是小，可以取倒数，即1./Fitnv 。    2， 二元锦标赛。通过两两比较选出较好的那个。选出的群体中可能会有重复的（也可以剔除掉重复的，在剩下的里面选，亦或者给一定的概率去选择当前较差的个体，因为当前较差的个体在后面的交叉，变异中未必不会更优，这也是对遗传算法模型的一种优化---允许一定数量较差的个体）。

crossover()操作： 对于0-1背包问题，可以直接交换两个父代个体的片段；对于TSP这种不允许城市重复的，可以将两个父代个体的片段互换都加到最前面，再剔除重复出现的元素。

mutate()操作： 包括逆序，插入，随机两个元素互换位置。具体操作代码见下图

约束处理需要注意和学习的是在0-1背包问题中，但当前Individual不满足约束的时候，策略是：排序性价比，先把性价比低的拿出来（是依次都拿出来，直到满足约束为止），然后看背包是否还有空间，再将拿出来的按性价比排序，从高的先装进去。

【注】好好理解，清楚算法的策略和实现步骤； 好好研究具体策略的实现方法；认真研究，积累优秀代码是怎么写的。