【正文】 utation )等操作，產(chǎn)生下一代更加適應(yīng)環(huán)境的個(gè)體。Evaluate P (t)。Mutate P (t) by probability pm。也有采用浮點(diǎn)數(shù)方式來(lái)編碼的，在此處就不在贅述了。. 初始化種群該操作是產(chǎn)生第一代解空間，模擬第一代祖先，后代都是在這一初始種群的基礎(chǔ)上進(jìn)化變異而來(lái)。在衍生出一代新的種群后，我們要評(píng)判它的每一個(gè)個(gè)體的好壞，并且計(jì)算出它的適應(yīng)度，用來(lái)作為是否被選擇成優(yōu)秀個(gè)體來(lái)傳承或是整個(gè)遺傳過(guò)程能否提前結(jié)束的重要憑證。. 選擇復(fù)制在一個(gè)群體中應(yīng)當(dāng)選取哪些染色體進(jìn)行遺傳操作，產(chǎn)生下一代染色體，一般的方法是使用評(píng)價(jià)函數(shù) f(n)對(duì)每一個(gè)染色體進(jìn)行評(píng)估，f(n)值越大，表示染色體越適應(yīng)環(huán)境，7染色體表示的可能解也越接近于最優(yōu)解，染色體的適應(yīng)值越好，被選中的概率也就越大。. 交叉、變異與產(chǎn)生新種群這兩步操作比較復(fù)雜，同時(shí)也是整個(gè)算法的核心所在。所謂的單點(diǎn)交叉是在兩個(gè)父代個(gè)體（染色體）也就是在一串 0 和 1 組成字符串的中相同的位置各設(shè)置一個(gè)點(diǎn)，然后交換兩個(gè)親代的后半部分，重新生成兩個(gè)不同于親代的子代，例如，現(xiàn)有兩個(gè)親代字串如下：A1=100011‖00111B1=010101‖ 10101則經(jīng)過(guò)交叉后產(chǎn)生的子代如下：A2=100011‖10101B2=010101‖ 00111單點(diǎn)交叉遺傳的一大缺點(diǎn)是，如果兩個(gè)親代一樣（在遺傳算法中是可以兩個(gè)親代一樣的，而且這樣的幾率還很大，特別是那些優(yōu)秀的個(gè)體，因?yàn)樗鼈儽贿x取的幾率要比其它的個(gè)體被選取的概率大多了）那么產(chǎn)生的兩個(gè)完全一樣，而且還與父代也一樣，例如上例改為：A1=100011‖00111B1=100011‖ 00111那么產(chǎn)生的子代就是：A2=100011‖00111B2=100011‖ 00111完全失去了雜交的效果，而且也讓優(yōu)秀的個(gè)體失去了繼續(xù)進(jìn)化的機(jī)會(huì)。第二個(gè)子代的產(chǎn)生與第一個(gè)子代產(chǎn)生的過(guò)程一樣，具體例子如下：A1=100011‖00111‖110001B1=010101‖ 10101‖010101那么產(chǎn)生的子代個(gè)體的基因則是：A2=010101‖00111‖110001B2=110001‖ 10101‖010101以上是交叉遺傳操作，為了防止算法“早熟” ，就產(chǎn)生了變異操作。在經(jīng)過(guò)交叉與變異操作后，新的種群基本上就產(chǎn)生了。同樣在變異操作中，得到的新的個(gè)體并不一定是一條實(shí)際有意義的城市，因此同樣檢測(cè)，那么它的檢測(cè)過(guò)程同樣和交叉變異那樣，繁瑣復(fù)雜。精英策略，是指每一代都選擇出最優(yōu)秀的一個(gè)個(gè)體 P，然后將該個(gè)體 P 拿去和上一代的最優(yōu)秀的個(gè)體進(jìn)行比較，保留最優(yōu)秀的那個(gè)，將其存入系統(tǒng)全局變量中，后面的每一代依舊重復(fù)此操作，這樣做的目的是確保系統(tǒng)最終得到的最優(yōu)解是整個(gè)遺傳操作過(guò)程中出現(xiàn)過(guò)的最優(yōu)解，這就是經(jīng)營(yíng)策略的大體含義。以該條路線的總路程長(zhǎng)度為適應(yīng)函數(shù) f(n)，評(píng)價(jià)標(biāo)準(zhǔn)是適應(yīng)度越小，路徑越好。改進(jìn)后的遺傳算法在種群初始化上做了較大改變，初代種群作為整個(gè)算法的入口，有必要在上面多多改進(jìn)。甚至，有一定的機(jī)率直接產(chǎn)生現(xiàn)階段已知的最優(yōu)解?；静襟E是，計(jì)算出每個(gè)個(gè)體的總路程之和后，然后求出它們的倒數(shù)，為了讓后面的選擇更順利、高效，在此處將求得的倒數(shù)擴(kuò)大了幾倍，使得每個(gè)個(gè)體間的倒數(shù)差值增大。設(shè)群體大小為 n ，個(gè)體 i 的適應(yīng)度為 Fi，則個(gè)體 i 被選中遺傳到下一代群體的概率為：Pi = Fi / ??n1具體操作為：計(jì)算群體中所有個(gè)體的適應(yīng)度函數(shù)值；利用比例選擇算子的公式，計(jì)算每個(gè)個(gè)體被選中遺傳到下一代群體的概率；采用模擬賭盤(pán)操作（即生成 0 到 1 之間的隨機(jī)數(shù)與每個(gè)個(gè)體遺傳到下一代群體的概率進(jìn)行匹配）來(lái)確定各個(gè)個(gè)體是否遺傳到下一代群體中。12在計(jì)算出每一個(gè)個(gè)體的適應(yīng)值后，接著就是輪盤(pán)選取操作了。在選取好親代種群后，接下來(lái)便是交叉遺傳了，在上面的傳統(tǒng)遺傳算法的介紹中，已經(jīng)剖析了傳統(tǒng)遺傳算法的好與壞，交叉操作在整個(gè)遺傳過(guò)程中是重點(diǎn)中的重點(diǎn)，同時(shí)也是難點(diǎn)中的難點(diǎn)。其它的基因重復(fù)上述操作，直至兩個(gè)子代都產(chǎn)生了，例如，現(xiàn)有兩個(gè)親代F1，F(xiàn)2，基因片段分別如下：F1={4,5,2,6,7,3,1,8,9}F2={6,2,3,8,7,9,1,5,4}對(duì)上面兩個(gè)親代個(gè)體做遺傳操作時(shí)，預(yù)期結(jié)果是產(chǎn)生兩個(gè)子代 C1 和 C2，如果先來(lái)產(chǎn)生出 C1，先隨機(jī)抽取一個(gè)親代的一個(gè)基因作為 C1 的第一個(gè)基因，隨機(jī)抽取 F1 的第二個(gè)基因作為 C1 的第一個(gè)基因，那么 C1={5}，在確定了第一個(gè)基因后，再來(lái)產(chǎn)生第二個(gè)基因，假設(shè)這次從第二個(gè)親代 F2 來(lái)繼承第二個(gè)基因，那么先取得 C1 最后的一個(gè)基因 5，然后在 F2 中找到基因 5 的位置，拿到基因 5 右邊的基因，此處是 4,4 在 C1中沒(méi)出現(xiàn)過(guò)，所以是合法基因，那么 C1={5,4}，接著是第三個(gè)基因，假如這次是從親代 F1 中來(lái)繼承第三個(gè)基因，那么取得 C1 最后的基因 4，再取得 F1 中 4 右邊的基因5，經(jīng)過(guò)驗(yàn)證后 5 已經(jīng)在 C1 中了，那么就得獲取 4 左邊的基因了，然而 4 已經(jīng)是最左邊了，那么怎么辦呢？此處的解決方案是，將 F1 首尾銜接起來(lái)構(gòu)成一個(gè)環(huán)，那么 4 的左邊就是 9 了，9 在 C1 中沒(méi)出現(xiàn)過(guò)，所以 C1={5,4,9}。14所以，在此處，采用了另外的方案，具體操作是，先用變異算子來(lái)決定個(gè)體是否需要做變異操作，在決定要做變異操作后，傳統(tǒng)的遺傳算法是隨機(jī)抽取一個(gè)或幾個(gè)基因進(jìn)行反向操作，在這里，同樣效仿了這種操作，隨機(jī)抽取兩個(gè)不同位置的基因，然后將它們的位置交換，已達(dá)到變異操作的目的，這種方式簡(jiǎn)單，效率也比較高。系統(tǒng)設(shè)計(jì)系統(tǒng)采用結(jié)構(gòu)化設(shè)計(jì)、結(jié)構(gòu)化實(shí)現(xiàn)，為了最大限度的體現(xiàn)出遺傳算法的各項(xiàng)指標(biāo)（包括有點(diǎn)和缺點(diǎn)） ，所以用 C 語(yǔ)言來(lái)實(shí)現(xiàn)了此系統(tǒng)。例如，武漢，序號(hào)是 1，坐標(biāo)是(1304, 2312)那么武漢則可表示為 1(1304, 2312)，另外，為了使系統(tǒng)更靈活，并沒(méi)有將這些城市坐標(biāo)定死，而是寫(xiě)在一個(gè)外部文本文件中，在系統(tǒng)運(yùn)行的初期，會(huì)通過(guò)文件操作將這些數(shù)據(jù)加載到程序的幾個(gè)數(shù)組中去，具體數(shù)據(jù)結(jié)構(gòu)和類(lèi)型是：double X[N_CITIES]。在本系統(tǒng)對(duì)遺傳算法的實(shí)現(xiàn)中，因?yàn)椴捎玫氖?C 語(yǔ)言，種群的個(gè)體包含的信息太多，為了能夠讓每個(gè)個(gè)體容納下這些這信息，而 C 語(yǔ)言中的復(fù)雜對(duì)象數(shù)據(jù)類(lèi)型只有結(jié)構(gòu)體、枚舉等，此處只有結(jié)構(gòu)體符合條件，所以，系統(tǒng)采用結(jié)構(gòu)體來(lái)充當(dāng)個(gè)體，具體的結(jié)構(gòu)體構(gòu)造是：struct genotype{int path[N_CITIES]。 // 存儲(chǔ)該路徑的總路程int value。double rfitness。sum_distance 則是存儲(chǔ)個(gè)體的總路程，在整個(gè)遺傳操作中占有很重要的作用；fitness、 cdown、rfitness 則是在計(jì)算和存儲(chǔ)適應(yīng)度上起作用。其中，population 表示當(dāng)前種群，種群有宏 POPSIZE 來(lái)確定，種群實(shí)際大小要比宏 POPSIZE 大一個(gè)單位，是為了保存每一代的精英個(gè)體。 采用隨機(jī)數(shù)初始化種群。輔助函數(shù)，產(chǎn)生 031之間的隨機(jī)數(shù)，在系統(tǒng)中用來(lái)產(chǎn)生隨機(jī)城市的序號(hào)等用途。選擇函數(shù)，通過(guò)個(gè)體適應(yīng)度來(lái)選擇用于交叉產(chǎn)生下一代的個(gè)體。實(shí)現(xiàn)交叉操作，從 crossover處接收親代，然后來(lái)執(zhí)行交叉操作。該函數(shù)通過(guò)變異算子來(lái)決定個(gè)體是否需要變異，如果確定個(gè)體需要變異，那么會(huì)將個(gè)體在種群中的位置傳遞給 swap 函數(shù)來(lái)進(jìn)行變異操作。此函數(shù)用來(lái)實(shí)現(xiàn)經(jīng)營(yíng)策略。void sort()。根據(jù)遺19傳算法的理論知識(shí)，系統(tǒng)的第一步應(yīng)是初始化種群，本系統(tǒng)在初始化工作上，最大的優(yōu)點(diǎn)是將隨機(jī)產(chǎn)生的第一代的種群進(jìn)行了初略的加工，使得種群的進(jìn)化有了一個(gè)好的開(kāi)端。for (mem = 0。在系統(tǒng)運(yùn)行的初期，先是調(diào)用初始化函數(shù)，接著是調(diào)用評(píng)價(jià)函數(shù)，對(duì)每個(gè)個(gè)體進(jìn)行評(píng)價(jià)、計(jì)算適應(yīng)度，并將計(jì)算出來(lái)的結(jié)果存入每個(gè)個(gè)體對(duì)應(yīng)的字段中，接著調(diào)用選擇函數(shù)，根據(jù)適應(yīng)度選擇出優(yōu)秀的個(gè)體來(lái)繁殖下一代。long starttime,endtime。initialize()。while(generation MAXGENS){generation++。 // 突變evaluate()。getchar()。226. 總結(jié)因?yàn)檫z傳算法是一套模擬生物進(jìn)化論的只能算法，所以遺傳算法的基本思想是：基于達(dá)爾文進(jìn)化論中的適者生存、優(yōu)勝劣汰的基本原理，按生物學(xué)的方法將問(wèn)題的求解表示成種群中的個(gè)體（用計(jì)算機(jī)編程時(shí)，一般使用二進(jìn)制碼串表示） ，從而構(gòu)造出一群包括 N 個(gè)可行解的種群，將它們置于問(wèn)題的環(huán)境中，根據(jù)適者生存原則，對(duì)該種群按照遺傳學(xué)的基本操作，不斷優(yōu)化生成新的種群，這樣一代代地不斷進(jìn)化，最后收斂到一個(gè)最適應(yīng)環(huán)境的最優(yōu)個(gè)體上，求得問(wèn)題的最優(yōu)解。 （3）遺傳算法對(duì)于各種特殊問(wèn)題具有很大的靈活性，從而保證了算法的廣泛適用性。23參考文獻(xiàn)[1] 黃明，王聰，梁旭，改進(jìn)型遺傳蟻群混合算法求解旅行商問(wèn)題，大連交通大學(xué)學(xué)報(bào)，2022。[5] 金聰，郭京蕾，人工智能原理與應(yīng)用，清華大學(xué)出版社，2022（第一版） 。[9] 丁建立，陳增強(qiáng)，袁著祉，遺傳算法與螞蟻算法的融合，計(jì)算機(jī)研究與發(fā)展，2022。他無(wú)論在理論上還是在實(shí)踐中，都給與我很大的幫助，使我得到了不少的提高，這對(duì)于我以后的工作和學(xué)習(xí)都是一種巨大的幫助和財(cái)富,忠心感謝指導(dǎo)老師的耐心輔導(dǎo)