介绍 遗传算法 与 TSP问题

遗传算法（Genetic Algorithm，GA）

一、核心定义

遗传算法是模仿达尔文生物进化论+遗传学 的全局随机优化算法 ，由美国学者 John Holland 在20世纪70年代提出，。

简单说：模拟生物"优胜劣汰、基因交叉、变异"，在海量可行解里，一步步筛选出最优/近似最优解。

---

二、核心生物学类比

生物概念	遗传算法对应概念
种群	一组候选解
染色体	单个解的编码（二进制/实数编码）
基因	解里的单个参数
适应度	解的好坏评分（目标函数）
选择	保留优质解、淘汰劣质解
交叉	两个优质解交换部分参数，产生新解
变异	随机小幅修改解，避免陷入局部最优

---

三、完整运行流程（五步循环）

1. 初始化种群
   随机生成一堆初始候选解，作为第一代。
2. 计算适应度
   给每个解打分：越接近目标，适应度越高。
3. 选择（优胜劣汰）
   优先保留分数高的优质个体，劣质个体大概率被淘汰。
4. 交叉（基因重组）
   优质个体两两结合，交换部分基因，生成下一代新解。
5. 变异（随机微调）
   小概率随机改动个别基因，防止算法"钻牛角尖"困在局部最优。

不断重复「评估→选择→交叉→变异」多代迭代，直到达到迭代次数/满足精度，输出最优解。

---

四、关键特点

优点

1. 全局搜索，不容易卡在局部最优；
2. 不要求目标函数连续、可导，复杂非线性问题也能用；
3. 并行搜索，同时处理大量候选解，适合多维、复杂优化。

缺点

1. 属于启发式算法，不一定算出绝对全局最优，多为近似最优；
2. 超参数（交叉概率、变异概率、种群大小）需要调参；
3. 迭代量大，复杂问题计算耗时较长。

---

五、适用场景

用来解决传统数学方法难算的优化问题：

1. 组合优化：路径规划（旅行商TSP）、排课、仓库布局；
2. 函数寻优：多峰、非线性复杂函数最大值/最小值求解；
3. 工程设计：结构参数优化、电路设计、PID参数整定；
4. 机器学习：特征筛选、神经网络权重优化；
5. 生产调度、资源分配等复杂决策问题。

---

六、极简例子

比如：求一个复杂函数的最小值

1. 随机生成100组自变量（种群）；
2. 代入函数算结果，结果越小适应度越高；
3. 选结果最好的50组，互相交叉组合、少量随机变异；
4. 生成新100组，循环100代；
5. 最后一代里数值最小的，就是近似最优解。

---

补充：和普通算法区别

• 传统梯度算法：单点搜索，顺着坡度走，容易困在局部最优；
• 遗传算法：种群多点并行搜索，靠进化迭代，适合复杂无规则的优化问题。

---

TSP问题是什么？ 它与遗传算法有何关系？

一、TSP 问题是什么

1. 全称

TSP = 旅行商问题（Traveling Salesman Problem）

2. 通俗定义

一个商人要走遍N 个城市：

• 每个城市必须走且只能走一次
• 最终回到起点
• 求总路程最短的行走路线

给定一系列城市和每对城市之间的距离，求解一条经过每个城市恰好一次并最终返回起点的最短路径。

用数学语言描述：

在完全无向图（或有向图）中，寻找一条总长度最小的哈密顿回路（Hamiltonian cycle）。

3. 数学本质

典型组合优化问题 + NP难问题 。

城市数量稍微变多，暴力穷举就完全算不动：

城市数为 (n)，路线排列数：

\\text{路线总数} = (n-1)! \\div 2

举个例子：

• 10个城市：(181440) 条路线
• 15个城市：(435.89) 亿条路线

城市越多，暴力枚举完全不可行，传统精确算法算力爆炸。

4. 现实等价场景

物流配送路线、无人机巡检、PCB电路板打孔、景区游览规划、仓储搬运路径等，本质都是 TSP。

---

二、遗传算法 与 TSP 的关系

1. 核心关系

TSP 是遗传算法最经典、最常用的标杆测试案例 ；
遗传算法是解决大规模 TSP 最主流的启发式方法之一。

简单一句话：

TSP 太难精确求解，用遗传算法快速算出近似最优最短路径。

2. 遗传算法如何对应解决 TSP

把 TSP 路线，直接映射成遗传算法的「染色体」：

遗传算法概念	TSP 问题对应内容
个体/染色体	一条城市行走顺序路线，如：[1,3,5,2,4,1]
基因	单个城市编号
种群	一大堆不同的行走路线
适应度	路线总距离的倒数（路程越短，适应度越高）
选择	保留短路线、淘汰长路线
交叉	两条优质路线，交换片段，生成新路线
变异	随机交换两个城市顺序，跳出局部最差路线

3. 为什么遗传算法适合 TSP

1. TSP 是非线性、不连续、无梯度的组合问题，传统微积分、梯度优化完全用不了；
2. 遗传算法是全局随机搜索，不会卡在某一条局部短路线；
3. 不用遍历全部排列，迭代进化快速收敛到近最优解；
4. 城市数量越大，相比暴力算法优势越明显。

4. 局限性

遗传算法算出的是近似最优解，不一定是全局绝对最短，但在工程里完全够用，效率极高。

---

三、总结

1. TSP：走遍所有城市仅一次、回路最短的路径规划难题，属于NP难问题；
2. 二者关系 ：
   • TSP 是遗传算法的经典应用场景+教学范例；
   • 遗传算法是高效求解大规模 TSP 的核心算法；
   • 通过选择、交叉、变异不断优化行走顺序，快速得到最短近似路线。

---

下面是一份 极简、可直接运行的**Python 遗传算法求解 TSP **完整代码，注释清晰、易懂。

import math
import random

# 1. 城市坐标
cities = [
    (2, 3),
    (5, 8),
    (1, 9),
    (7, 2),
    (4, 6),
    (8, 7)
]
city_num = len(cities)

# 2. 计算两个城市距离
def distance(city1, city2):
    return math.hypot(city1[0]-city2[0], city1[1]-city2[1])

# 3. 计算一条路线总长度
def calc_path_len(path):
    length = 0
    for i in range(city_num - 1):
        length += distance(cities[path[i]], cities[path[i+1]])
    # 回到起点，形成回路
    length += distance(cities[path[-1]], cities[path[0]])
    return length

# 4. 遗传算法核心参数
pop_size = 50      # 种群数量
gen_num = 200       # 迭代代数
cross_rate = 0.8    # 交叉概率
mutate_rate = 0.1   # 变异概率

# 初始化种群：随机生成路线
population = []
for _ in range(pop_size):
    path = list(range(city_num))
    random.shuffle(path)
    population.append(path)

# 选择：轮盘赌 + 保留最优
def select(pop):
    fit_list = [1 / calc_path_len(p) for p in pop]
    total_fit = sum(fit_list)
    new_pop = []
    # 精英保留：直接保留当前最优
    best = pop[fit_list.index(max(fit_list))]
    new_pop.append(best)
    # 轮盘赌选择
    for _ in range(pop_size - 1):
        r = random.uniform(0, total_fit)
        cur = 0
        for idx, f in enumerate(fit_list):
            cur += f
            if cur >= r:
                new_pop.append(pop[idx])
                break
    return new_pop

# 交叉：顺序交叉(适配TSP，避免重复城市)
def cross(p1, p2):
    if random.random() > cross_rate:
        return p1.copy()
    left = random.randint(0, city_num-2)
    right = random.randint(left+1, city_num-1)
    child = [None] * city_num
    child[left:right+1] = p1[left:right+1]
    # 填充剩余城市
    idx = 0
    for node in p2:
        if node not in child:
            while child[idx] is not None:
                idx += 1
            child[idx] = node
    return child

# 变异：随机交换两个城市
def mutate(path):
    if random.random() < mutate_rate:
        i, j = random.sample(range(city_num), 2)
        path[i], path[j] = path[j], path[i]
    return path

# 进化一代
def evolve(pop):
    new_pop = select(pop)
    children = []
    for i in range(0, pop_size, 2):
        p1 = new_pop[i]
        p2 = new_pop[i+1] if i+1 < pop_size else new_pop[i]
        c1 = cross(p1, p2)
        c2 = cross(p2, p1)
        children.append(mutate(c1))
        children.append(mutate(c2))
    return children

# 主循环
if __name__ == "__main__":
    best_path = None
    best_len = float("inf")

    for g in range(gen_num):
        population = evolve(population)
        # 记录每代最优
        cur_best = min(population, key=calc_path_len)
        cur_len = calc_path_len(cur_best)
        if cur_len < best_len:
            best_len = cur_len
            best_path = cur_best
        if (g + 1) % 50 == 0:
            print(f"第{g+1}代 | 最短距离: {best_len:.2f}")

    print("\n===== 最终结果 =====")
    print("最优路线城市顺序：", best_path)
    print("最短回路总距离：{:.2f}".format(best_len))

---

代码对应关系（GA ↔ TSP）

1. 染色体 ：城市访问顺序列表 [0,2,5,1,...]
2. 适应度 ：1/路线总长，路程越短适应度越高
3. 选择：保留短路径路线
4. 交叉：特殊顺序交叉，保证城市不重复
5. 变异：交换两座城市位置，跳出局部最优

运行效果

迭代 200 代，逐步收敛到近似最优闭环路径，城市数量增加也能正常运行。