邻域法改进遗传算法在TSP中的种群初始化策略

本文主要探讨了一种针对遗传算法在求解旅行商问题（Traveling Salesman Problem, TSP）时存在的初始化种群敏感问题的解决方案。TSP是一个经典的组合优化问题，通常通过搜索策略来寻找最短路径，而遗传算法作为一种强大的全局优化方法，其性能往往受到初始种群选择的影响。 作者罗辞勇、卢!斌和刘!飞提出了一个新颖的初始化种群邻域法。这个方法的核心思想是从起始城市出发，选择的下一站并不是最近的城市，而是向稍微远离最近城市的区域进行随机选取。这样做的目的是为了引入更多的多样性，同时也能捕捉到局部优化路径的一些特性。这种方法旨在克服随机初始化可能导致的局部最优陷阱，提高搜索空间的探索效率。 通过将这种方法应用到四个通用的TSPLIB标准实例上，实验结果显示，与传统的随机初始化方法相比，邻域法初始化种群带来了显著的优势。这四个实例的最优解平均改进值达到了46.3%，表明了新方法在寻找更优解方面的有效性。同时，实验数据还显示了邻域法对最优解质量的明显提升，证明了这种方法在实际问题求解中的优越性。 此外，论文还强调了邻域法在保持搜索灵活性和多样性的同时，能够提供更好的收敛性和稳定性。研究者们通过仿真实验进一步验证了这一邻域法的有效性，并将其研究成果与遗传算法、旅行商问题、初始种群选择、最近邻法以及邻域搜索策略等领域进行了关联。 这篇论文在解决TSP问题的初始化策略上做出了创新贡献，为遗传算法在复杂优化问题上的应用提供了新的思考角度和实用工具。这对于提高遗传算法在TSP这类问题中的求解性能具有重要的理论和实践价值。