20
15
10
5
0
0
5
10
15
20
25
30
35
40
45
x
对于30城市TSP问题，每一代个体数目为200，将其遗传代数取为10000，算法执行结果为：最优路径为：621202110151839117814192425262728291617222330121345其每一代的最小距离的收敛图为：
f1100
每一代种群最短距离的收敛过程
1000
900
y每一代种群最短距离
800
700
600
500400
0
X1e004Y4253
10002000300040005000600070008000900010000遗传代数
得到的最优路径为：
闭合曲线即为最优路径100
90
80
70
60
50
40
30
20
10
0
0
10
20
30
40
50
60
70
80
90100
x
对于50城市TSP问题，每一代的个体数目选取为200，遗传代数为20000，则算法执行结果为：
f最优路径为：3516131479118513171812101920212242434426244504948403130292823363839472737153433324645252641每一代最小距离收敛图如下：
1400
每一代种群最短距离的收敛过程
1300
1200
1100
每一代种群最短距离
1000
900
800
700
600
X2e004
500
Y4741
4000
02040608
1
12141618
2
遗传代数
4
x10
最后得到的优化路径为：
f闭合曲线即为最优路径70
60
50
40
y
30
20
10
0
0
10
20
30
40
50
60
70
x
在30城市TSP问题中，得到的最终的优化距离为4253，与实际的最小
值423471相差很少，在50城市TSP问题中，得到的最终优化解为4741，
与实际的最优路线的最小距离427855相差较大。这是由于标准遗传算法的
缺点所确定的，标准遗传算法在前期搜索的效果比较良好，算法后期搜索比
较缓慢，从收敛图中可以验证这一点。在50城市TSP问题中，遗传代数范
围内一个优化解的最小距离开始出现之后经过5000代才继续下降寻找更好
的解。此外，遗传算法实现的效果很大程度上取决与问题的多种参数，如交
叉率，变异率，每一代的个体数目，如果这些参数设置不好，遗传算法将类
似随机搜索方法，出现“早熟收敛”。在50城市TSP中，如果增加每一代个
体数目、遗传总代数、优化变异率和交叉率，会更靠近最优化解。
鉴于标准遗传算法的缺点，现阶段出现了许多遗传算法的改进。在交叉
操作方面，有部分匹配交叉算子、增强边缘重组算子、序号交叉算子、均匀
排序交叉算子、循环交叉算子以及单点交叉算子等。在变异方面还有自适应
变异、多级变异等。此外，一些高级的基因操作如双倍体、显性遗传、倒位
操作、静态繁殖等被应用于遗传算法之中，以改进和优化遗传算法。
f参考文献：1、王凌，智能优化算法及其应用D，清华大学出版社2、曾宪钊，军事最优化新方法D，军事科学出版社3、蒋腾旭，r