Estoy construyendo un algoritmo genético para abordar el problema del vendedor ambulante. Desafortunadamente, alcancé picos que pueden mantenerse durante más de mil generaciones antes de mutar de ellos y obtener mejores resultados. ¿Qué operadores de cruce y mutación generalmente funcionan bien en este caso?¿Operadores de GA sugeridos para un problema TSP?
Podrían aclarar
"Desafortunadamente, me golpeó picos que pueden sostener durante más de mil generaciones antes de mutar de ellos y conseguir mejores resultados"?
Puede verificar los operadores de cruce, que se aseguran de que no haya nodos que se repitan en los cromosomas hijo. Algunos de esos operadores de cruce son los operadores Crossover de pedido (OX) y Edge Crossover.
La mutación puede ser tan simple como simplemente intercambiando dos posiciones en un solo cromosoma.
BTW, ya que ha etiquetado "python", eche un vistazo a Pyevolve, también tiene un ejemplo de TSP.
Mutación ordenada y cruce cruzado ordenado (ver this article). Generalmente, las operaciones estándar de mutación y cruce cruzado dan como resultado soluciones no válidas (es decir, ciudades duplicadas y/o faltantes en una ruta).
Hubo un similar question recientemente.
Tengo a Java applet that implements the TSP using ordered cross-over and mutation, si está interesado en comparar el rendimiento de su implementación.
Si su problema es que los picos permanecen durante más de mil generaciones, entonces el problema podría no ser con los operadores de cruce y mutación. Puede que no esté presentando o manteniendo suficiente variación para su población: examinaría las proporciones de cruces, de mutaciones y de supervivientes de una generación a otra, y posiblemente elevaría la proporción de mutaciones.
http://stackoverflow.com/questions/1544055/rossover-operation-in-genetic-algorithm-for-tsp might help. –