执行
下面步骤；3、根据适配值大小以一定的方式执行复制操作；4、按交叉概率pc执行交叉操作；5、按变异概率pm执行变异操作。6、返回2执行新一轮的复制、交叉、变异。在算法中，适配值是对染色体进行评价的一种指标，是遗传算法进行优化所用的主要信息，与个体的目标值存在一种对应关系；复制操作通常采用比例复制，即复制概率正比于个体适配值，适配值高的个体在下一代中复制自身的概率大，从而提高种群的平均适配值；交叉操作通过交换两父代个体的部分信息构成后代个体，使得后代继承父代的有效模式，从而有助于产生优良个体；变异操作通过随机改变个体的某些基因而产生新个体，有助于增加种群的多样性，避免早熟收敛。遗传算法利用生物进化和遗传的思想实现优化过程，区别与传统优化算法1、算法进行全空间并行搜索，并将搜索重点集中于性能高的部分，
从而能够提高效率并且不易陷入局部最小。2、算法具有固有并行性，通过对种群的遗传处理可以处理大量的模
式，并且容易并行实现；其主要设计如下：1、确定问题的编码方案。2、确定适配值函数。
f3、遗传算子的设计。4、算法参数（种群数目、交叉与变异概率和进化代数等）的选取。5、确定函数终止条件。
三、对TSP问题的遗传算法实现
设计思路：
1、初始化城市距离采用一个city_xy函数获取
个城市的TSP问题的坐标，保存在city矩阵中，并且用city_dis矩阵表示任意两个城市之间的距离，矩阵中的元素city_dis（i，j代表第i个城市与第j个城市间的距离。2、初始化种群通过ra
dperm函数，生成一个一维随机向量（是整数1，2，3，4，5的任意排列），然后将其赋给二维数组group的第一列，作为一个个体。如此循环N次，生成了第一代种群，种群的每个个体代表一条路径。3、计算适应度采用的适应度函数为个体巡回路径的总长度的函数。具体为
adapt1i
maxdisdis
1
在式（1）中，adapt1i表示第i个个体的适应度函数，maxdis为城市间
的最大距离，dis为个体巡回路径的总长度，这样定义的适应度，当路经越
短时适应度值越大。在适应度值的基础上，给出的计算个体期望复制数的表
达式为
adapt
um1iNadapt1isumadapt
2
其中，sumadapt为种群适应度之和。
4、复制
采用优秀个体的大比例保护基础上的随机数复制法。具体做法为在生成
下一代个体时，先将最大适应度对应的路径个体以较大的比例复制到下一
代，然后再用随机数复制法生成下一代的其他个体。其中，有一个问题必须
考虑，即若某一次生成的随r