机数过大，结果能复制一个或极少个样本。为了
避免这一情况，采用了限制措施，即压低了随机数的上限。
5、交叉采用的方法为按步长的单点交叉，为随机选择一对样本，再随机选择一
f个交叉点位置，按一定的步长进行交叉点的选择。选择一个步长而不是将其设为1，是因为若某一位置处的城市代码因为进行了交叉而发生了改变，则其经过该处的两个距离都会改变。这种交叉兼有遗传和变异两方面的作用，因为若交叉点处的城市编号都相同，则对两个个体而言交叉后样本无变化，否则样本有变化。
6、变异方法为随机两点I，J的交互位置法。对于A12345678910，若I3J8，则变异后B12845673910虽然是简单的随机两点交互，但实际上已经有40的距离发生了改变。若用dij表示城市i与j之间的距离，则变异后与变异前样本路径的距离差为B23十B34B78十B89一A23十A34A78A89可见，随机两点交互足以产生新的模式样本。较大地提高变异率就会产生大量的新样本，全局最优样本出现的概率随之提高。为了收敛到最优解，借鉴模拟退火算法的思想，采取了变异率由很大逐渐衰减到较小的数量，这样做也利于找到全局最优解。7、将复制，交叉，变异后得到的种群group1重新赋给group然后重复3，4，5，6步操作。直至满足循环停止条件，即找到最优路径。
仿真实验：TSP实验数据点取为：10城市TSP（自己随机选取10个点）：
0，0；12，32；5，2584533172571515152525154112
30城市TSP问题（d423741byDBFogel）：
4194378454672562764299685871445462836
9646018542260834691382538244258697171
7478877618401340827623258354521412644
35450
50城市TSP问题（d427855byDBFogel）：31，32；32，39；40，30；37，69；27，68；37，52；38，46；31，62；30，48；21，47；25，55；16，57；17，63；42，41；17，33；25，32；5，64；
f8，52；12，42；7，38；5，25；10，17；45，35；42，57；32，22；27，23；56，37；52，41；49，49；58，48；57，58；39，10；46，10；59，15；51，21；48，28；52，33；58，27；61，33；62，63；20，26；5，6；13，13；21，10；30，15；36，16；62，42；63，69；52，64；43，67
对与10点TSP问题，城市数比较少，每一代个体数目为200，进化代数取为1000代，算法执行结果为：最优路径为：
95106713428每一代的最小距离收敛图为：
每一代种群最短距离的收敛过程175
170
每一代种群最短距离
165
160
155
150
1450
100
200
300
400
500
600
700
800
9001000
遗传代数
最后得到的最优路径为：
f闭合曲线即为最优路径45
40
35
30
25
y
r