基于C#的机器学习--旅行推销员问题

我们有一个必须在n个城市之间旅行的推销员。他不在乎什么顺序。他最先或最后访问的城市除外。他唯一关心的是他会去拜访每一个人，每个城市只有一次，最后一站是他得家。

每个城市都是一个节点，每个节点通过一条边与其他封闭节点相连(可以将其想象成公路、飞机、火车、汽车等)

每个连接都有一个或多个权值与之相关，我们称之为成本。

成本描述了沿着该连接旅行的困难程度，如机票成本、汽车所需的汽油量等。

他的首要任务是尽可能降低成本和旅行距离。

对于那些学过或熟悉图论的人，希望你们还记得无向加权图。

城市是顶点，路径是边，路径距离是边的权值。本质上，我们有一个最小化的问题，即在访问了其他每个顶点一次之后，从一个特定的顶点开始和结束。实际上，当我们完成的时候，可能会得到一个完整的图，其中每一对顶点都由一条边连接起来。

接下来，我们必须讨论不对称和对称的问题，因为这个问题最终可能是其中之一。到底是什么意思?我们有一个非对称旅行推销员问题或者一个对称旅行推销员问题。这完全取决于两座城市之间的距离。如果每个方向上的距离相等，我们有一个对称的旅行推销员问题，对称性帮助我们得到可能的解。如果两个方向上的路径不存在，或者距离不同，我们就有一个有向图。下图显示了前面的描述: 

旅行推销员问题可以是对称的，也可以是非对称的。让我们从对将要发生的事情从最简描述开始。

在生物界，当我们想要创建一个新的基因型时，我们会从父a那里取一点，从父b那里取一点。这叫做交叉突变。在这之后，这些基因型就会受到轻微的干扰或改变。这被称为突变。这就是遗传物质产生的过程。

接下来，我们删除原始代，代之以新的代，并测试每个基因型。更新的基因型，作为其先前组成部分的更好部分，现在将向更高的适应度倾斜;平均而言，这一代人的得分应该高于上一代人。

这一过程将持续许多代，随着时间的推移，人口的平均适应度将不断进化和提高。在现实生活中，这并不总是有效的，但一般来说，它是有效的。

在后面会有一个遗传算法编程的讲解，以便让我们深入研究我们的应用程序。

下面是我们的示例应用程序。它是基于Accord.NET框架的。在定义了需要访问的房屋数量之后，只需单击生成按钮:

在我们的测试应用程序中，我们可以非常容易地更改我们想要访问的房屋的数量，如高亮显示的区域所示。

我们可以得到一个非常简单的空间问题或者更复杂的空间问题。这是一个非常简单的空间问题的例子:

这是一个更复杂的空间问题的例子：

最后，设置我们希望算法使用的迭代总数。点击计算