问如何对TSP的遗传算法进行改进？

EN

GA的一个问题是过快缩小搜索空间，并达到局部极大值解。您需要确保除了选择/适应功能之外，您没有以任何方式领导解决方案。所以当你说，

为什么要采取一个好的解决方案，然后执行一个很有可能使其成为更糟的解决方案的函数？

原因是你想要一个机会让解决方案后退一步，在它变得更好之前，它可能需要变得更糟。所以你真的应该从你的基因运算符中删除任何判断逻辑，把这个留给选择过程。

此外，交叉和突变应该被看作是两种不同的方式产生一个孩子的个人，你应该使用一个或另一个。在实践中，这意味着你有机会执行一个单亲的突变或两个父母之间的交叉。通常情况下，变异概率仅为5%，用交叉产生95%的变异概率。

交叉可以保存来自父母双方的遗传信息(孩子是镜像)，所以一个孩子会比父母更糟糕，而另一个会更好(或者都一样)。因此，在这个意义上，交叉，如果有变化，你将永远得到一个更好的个人。

另一方面，突变并不能保证有一个更好的个体，但它的存在是为了引入新的数据，帮助遗传算法从局部极大值场景中移动。如果突变不能改善个体，使其变得更糟，那么它就更不可能被选择来养育一个孩子(也就是说，你不需要在突变算子本身中使用这种逻辑)。

你选择了最适合变异的

严格地说，这不是事实，优秀的人应该有更高的机会被选中。在这里，有一个微妙的区别，坏的人也可能被挑选为父母。同样，这有助于减少达到局部极大值解决方案的机会。这也意味着一代人中最好的个体可能(而且经常会)变得更糟。为了解决这一问题，我们通常实施“精英主义”，即最好的个体总是被复制到下一代(在它正在/不进行操作)。

如果我能评论一下你使用的是哪种基因运算符，那也是有益的。在我的经验中，我发现周期交叉和反转突变工作得很好。