旅行商问题（Traveling Salesman Problem，通称TSP问题），即是求得最优控制的城市路线组成，规定每一个城市都需要走且只走一遍，终点站城市同考虑城市为同一个，最后所走路途需最短。文中在传统式遗传算法基本上，对它进行改善提升，明确提出了菁英保存的协同进化遗传算法，并分別以30、50和75个城市为例子，对二者完成比照。该计算方法的运作步骤如下图1所显示。
图1 协同进化遗传算法运作步骤
造成原始种群后（设种群总数为POP），便依照相关度值（即总路途最后）多少将其分成三个子种群，在其中，子种群1的相关度值较大，子种群3的相关度值最少。然后，在每个子种群内部结构开展交叉式基因变异实际操作，先后造成新子种群1、新子种群2、新子种群3。与此同时，三个子种群两组中间，也开展交叉式基因变异实际操作，先后造成新子种群4、新子种群5、新子种群6。最终便将这6个新子种群开展组成，随后从这当中任意筛出POP-1个个人，并依据菁英保存对策，将其与父代最佳个人相合拼，进而获得新种群、逐渐下一代的实际操作。
以30、50、75个城市为例子，各自完成10次反复实验，取各次试验二种优化算法最优解的均值开展比照，结论如下图2所显示。
图2 二种优化算法的寻优结论比照
显而易见，同传统式遗传算法对比，协同进化遗传算法具有更强有力的最优解检索工作能力，特别是在当城市总数较多时（如此例中的75），其能更合理地防止陷于部分最佳，进而寻找全局性最优化的解、促使总路途更小。以75个城市总数为例子，二种优化算法所确认的最好途径各自如下图3(a)与3(b)所显示。
(a) 传统式遗传算法
(b) 协同进化遗传算法
图3 二种优化算法所确认的最好途径比照
图3中，横坐标纵坐标各自为每一个城市的横纵轴，图上的数据即是每一个城市的序号。显而易见，协同进化遗传算法所确认的最好途径更加整齐，这说明其同传统式遗传算法对比，具备更强的全局性寻优工作能力，且具有更强的可扩展性。
版权声明：本文内容由互联网用户自发贡献，该文观点仅代表作者本人。本站仅提供信息存储空间服务，不拥有所有权，不承担相关法律责任。如发现本站有涉嫌抄袭侵权/违法违规的内容， 请发送邮件至 举报，一经查实，本站将立刻删除。
