我建立了一个GA算法来解决TSP。
这是在 Norvig 的书 (AIAMA) 中的一个练习。他建议我们阅读 Larrañaga 对陈述等问题的看法。我在那里学习了一些交叉运算符和突变，并尝试了其中的一些，看看哪个更适合我。我还根据每条路径的成本详细阐述了一个适应度函数。
好吧，尽管我对我的算法设计有很多疑问，但我以前从未使用过 AI，所以我不知道我的方法是否适用于 GA。
这是我所做的：
我采用了路径向量（我的初始人口）
然后在每个循环中，我通过增加成本顺序来组织这个向量，并在这个向量中选取最好的 X 路径并删除其他路径。
然后我应用 XOver 和 Mutation（以一定的速率）并将它们放在向量的旧删除值的位置。
然后我做同样的事情（订单向量 - 提取最佳等）
并继续这样做，直到它稳定下来。
这是一个好方法吗？如果不是给我一些北方。因为当我选择了最好的并且没有保留它们（只是通过 Xover 和突变从它们中创建了一个全新的流行音乐）时，我没有得到好的结果。这样（保留最好的——在一些实验中，我只保留最好的）我有更好的结果，结果总是收敛并且很快
状态表示：对于状态表示，我选择使用路径表示（我从一开始就在使用它，并在我阅读了 Larrañaga 等之后决定坚持使用它），如下所示：假设我们有 5 个城市和访问第一个城市，然后是第二个，然后是第三个......我们的路径表示将是 (1, 2, 3, 4, 5)
初始人口生成：实际上我是生成代表城市的随机点（这就是本书要求我做的，在封闭的正方形中生成随机点） - 但为了比较，我生成了一个人口并在比较时坚持使用它结果——我想如果我不坚持一个特定的人群，我就不会知道我的进步
最适合的人：最适合的人是那些旅行费用最高的人。（我不知道我是否应该 - 在这个问题中 - 使用其他东西作为参数
交叉：我尝试了一些交叉运算符，并将我的结果与书中介绍的结果进行了比较，最后使用了一个 Order CrossOver（Larrañaga 等人（1999））：这个交叉从两个随机切割（形成一个子路径）父路径，然后从另一个父路径（从第二个剪切开始，而不是在位置“0”）复制路径的其余部分（该子路径内尚未访问的城市） - 添加它们出现在另一个路径中的城市父母。
例如：路径 (1 2 3 4 5) (3 4 2 1 5) 选择子路径 (234) 和 (421) 作为后代 (5 |2 3 4| 1) (5 |4 2 1| 3) <- | 里面的部分 | 来自父母一方，另一部分来自另一方父母
突变：对于突变，我选择了 IVM（反转突变）方法。它从原始路径中获取一个子路径，并将其插入（反转）到一个随机点。
示例：路径（1 2 3 4 5）子路径（2 3 4）和5后随机插入
生成：（1 5 | 4 3 2）
