b1yE
d交换函数fu
ctio
xyexcha
gexytempxxyytemp
5
fbbi
goorg版权所有
本遗传算法中并未引入变异操作，当程序迭代次数满足设定条件时，程序得出近似最优解。
四、程序结果分析
初始值种群数目设为500，进化迭代次数为5000，归一化淘汰加速指数设为2，淘汰保护指数设为08时，运行程序，得最短距离为14893，结果如下：
图3城市位置坐标（左）、初始解（中）、最终解（右）
图4种群数为500，进化数为5000，TSP问题最优路径
6
fbbi
goorg版权所有
图5种群数为500，进化数为5000，TSP问题寻优历史
从图4可以看出，迭代次数超过500次时，所得的解已接近近似最优解。只改变种群数量，进行多次计算，可得下表：种群数量5010020050010002000最终解距离267972053017476148931499816246
表一不同种群数量下最终解
综上所述，种群越大、迭代越多求解的结果越优化，但是需要花费大量的运算时间；由于算法中存在多个随机参数，因此每次计算结果不一定相同，须根据需要设定初值进行多次计算取多组中最优解。
五、另一种的遗传算法解决该问题
上述算法中，只采用了遗传算法中交换操作，以下算法，则采用变异操作解决同一问题。算法核心思路是，在每次迭代中，解的个体随机按4个为1组，每
7
fbbi
goorg版权所有
组中只保留最优解，然后对此最优解进行左右翻转、交换、向前移位三种变异操作，生成三个新个体，再参与下次迭代。整个算法不需要计算归一化适应度，核心源代码如下：
forp44pop_sizertespopra
d_pairp3pdiststotal_distra
d_pairp3pig
oreidxmi
distsbest_of_4_rtertesidxi
s_ptssortceil
ra
d12Ii
s_pts1Ji
s_pts2fork14tmp_popkbest_of_4_rteswitchk保留最佳个体，繁殖三个新个体生成1x2每一列元素按照升序排列矩阵
case2左右翻转tmp_popkIJfliplrtmp_popkIJcase3交换tmp_popkIJtmp_popkJIcase4向前移动一位tmp_popkIJtmp_popkI1JIotherwisee
de
d
ew_popp3ptmp_pope
dpop
ew_pop
在此算法中，每次迭代淘汰率固定为75，三种变异操作覆盖面比较广，直接以最短距离为适应函数，省去每次适应度的计算。初始值种群数目设为500，进化迭代次数为5000，寻得最优解为129572，如下：
8
fbbi
goorg版权所有
图5省会位置（左上）、各省会距离分布（右上）、最优路径（左下）、寻优历史（右下）
由上图及最终结果可以看出，该算法比上一算法所得结果更优化，从寻优历史可见，迭代次数在接近1000次才能得到近似最优解（见表二），总体r