我正在尝试在 python 中使用 GA 解决 CVRP 物流问题。问题本身听起来是这样的：
找到 15 个客户的 CVRP 问题的最优至少 3 路解决方案。客户位置、他们的需求和车辆最大容量可以随机选择。
在阅读了很多关于 GA 实施到物流的信息后，我仍然想知道它的解决方案应该如何看待我的案例。
假设我将所有有效路线（总需求不超过车辆容量）编码为二进制代码。
例如：路线 1 [0 -> 1 -> 0] 编码：bin(1)
路线 2 [0 -> 2 -> 0] 编码：bin(2)
路线 15：[0 -> 15 -> 0] 编码：bin(15)
和路由 16 分别为：[0 -> 1 -> 2 -> 0] 编码：bin(16)
大约有 38.000 条可能的路线，其中 1940 条有效（不超过车辆容量）。1940 的二进制编码应该是 11110010111，=> 11 个二进制数字，所以我们将每个染色体固定为 11 个二进制数字长度（例如 bin(1) = 00000000001），让 GA 执行所有操作（选择、交叉、变异）。
我们还对不存在的路线进行编码，直到 11111111111(2047)，但为它们分配了极低的适应度，以确保它们在 GA 选择期间被过滤。
我的适应度函数显然是点之间的距离，我想要的只是最小化它。
总体目标是找到至少 3 条路线，通过所有客户并覆盖最短距离。
所以，是时候提问了：
• 我是否使用了正确的编码？
• 在我的案例中，GA 实施的结果应该是什么？
• 我应该如何设置停止算法的条件？
• 假设我的种群长度为 100 个人，我如何在我达到例如第 50 代后找到最佳路线？我如何知道这 100 个人中的哪一个是最佳的？
我不确定，我已经以体面的方式解释了所有内容，如果没有，请告诉我，我会尝试提供更多细节甚至代码。