遗传算法及TSP问题

遗传算法是现代启发式算法的一种。

现代启发式算法共同的特点是：从任意解出发，按照某种机制，以一定该概率在整个求解空间中探寻最优解，具有探寻全局最优的功能。

所有的现代启发式算法最终目的就是寻找全局最优。

遗传算法简介：改编自生物进化规律。在离散的情况下寻找求解空间内全局最优。它不存在求导和函数连续性的限定，具有并行求解的优势。

过程包括：编码，解码，交叉，变异，选择

遗传算法的特点：

       1、群体搜索，这个初始设定的任意解是一个集合。

       2、适应度函数不受连续、可微等条件约束，适用范围广。

       3、它是穷举搜索的提升，根据一定的规则寻找。

（一）编码&解码

       将求解空间映射成字符串，就是一个映射。主要有三种映射方法：01映射、真值映射、符号编码

       1、01映射

             将解空间划分最小区域，这个区域就是精度了。我们知道，遗传算法最大的特征就是离散了，如何将一个连续的区域映射成一群离散点呢。从连续到离散必然会有精度损失的，所以在编码之前要设置一个最小区域的精度，记为△。

             记区域下界为0000000000000

                        上界为111111111111111

             然后在下界的基础上每增加一个△，编码加一，这样就把连续的区域近似映射到了一个个离散的点上。

            比如： 

            00000000…00000000＝0                   u_min

            00000000…00000001＝1                     u_min+δ

            00000000…00000010＝2                    u_min+2δ

                         ……

            11111111…11111111=2l–1                    u_max

            

           解码过程就是逆编码了，就是在下界加上精度的n倍。

       2、真值映射

            真值映射就是，不改变原来的解空间。如果解空间连续，就每隔精度取一个点作为映射点。

       3、符号编码

            不会

（二）适应度函数

        对编码后的解集合要进行一次初次选择，这个选择就要有一定的标准，可根据实际问题选择一个适应度函数，作为区分好坏的标准。

（三）交叉

        交叉其实才是遗传算法的核心所在，它将编码后的解空间按一定规则查找，如果没有交叉，这个遗传算法和随机查找最优其实就没区别了，所以，发生交叉的概率应该设置大一些一般0.9以上，下面有一些交叉方法可供选择：

        1、单点交叉法

        2、双点交叉法

（四）变异

           根据很小的几率随机按照一定规则改变其中一个算子的值。

         1、对换变异

         2、倒置变异

         3、插入变异

         具体规则很简单了。

最终，遗传算法的具体步骤就是编码，解码，计算适应度函数，选择，用交叉变异处理编码，解码，选择。。。。。。一直到满足终止条件。

终止条件一般是在程序开始是设置的遗传代数。