人工智能课程项目报告

当前迭代次数：102539 当前路径长度：144283 顺序交叉法：

当前迭代次数：111974 当前路径长度：153466 循环交叉法：

6

人工智能课程项目报告

当前迭代次数：71302 当前路径长度：139714 5 结论

从上面的三个算法的实现效果来看，当迭代的次数有限时并没有得到最终的最优解，只是获得了当前情况下花费最短和适应度最高的路径。从中可以了解到，遗传算法能够向最优解的方向进行进化，但是进化的方向是随机的，即不一定在最开始迭代中就得到最优解的方向，而且不同的搜索算法所得到的最优解尽管不是最终的解，但是各算法的当前最优解是相近的，因此遗传算法不同方向的进化程度是相似的，并有达到最优解的可能性。

该次求解过程中，主要考虑了交叉操作对问题求解的影响情况，仅仅是遗传算法中的一个部分（选择、交叉、变异），该操作对进化的贡献是有限的，因此要得到最终的路径，需要综合考虑各种操作对进化的影响。

参考文献

[1] 王小平，曹立明.遗传算法理论应用于软件实现[M].西安：西安交通大学出版社，2002:129 [2] 余一娇.用简单遗传算法求解TSP问题的参数组合研究[j].华中师范大学学报（自然科学版），2002,36(1):25-26.

[3] 陈国良，等.遗传算法及其应用[M].北京：人民邮电出版社，1996 [4] 周明，孙树栋.遗传算法原理及应用[M].北京：国防工业出版社，1997

7