[论文解读] Analyzing the Performance of Mutation Operators to Solve the Travelling Salesman Problem

Otman Abdoun, Jâafar Abouchabaka+1 more|arXiv (Cornell University)|Mar 14, 2012

Metaheuristic Optimization Algorithms Research参考文献 24被引用 99

一句话总结

本文评估了遗传算法求解旅行商问题（TSP）时多种变异算子的性能，比较了其在解质量与收敛速度方面的表现。研究发现，倒置（inversion）和混乱（scramble）变异算子最为有效，表明算子选择对遗传算法在TSP实例中的效率与解的准确性具有显著影响。

ABSTRACT

The genetic algorithm includes some parameters that should be adjusted, so as to get reliable results. Choosing a representation of the problem addressed, an initial population, a method of selection, a crossover operator, mutation operator, the probabilities of crossover and mutation, and the insertion method creates a variant of genetic algorithms. Our work is part of the answer to this perspective to find a solution for this combinatorial problem. What are the best parameters to select for a genetic algorithm that creates a variety efficient to solve the Travelling Salesman Problem (TSP)? In this paper, we present a comparative analysis of different mutation operators, surrounded by a dilated discussion that justifying the relevance of genetic operators chosen to solving the TSP problem.

研究动机与目标

• 识别用于求解TSP的遗传算法中最优的变异算子。
• 评估不同变异策略对解质量与收敛速度的影响。
• 为组合优化中各类变异算子的相对性能提供实证证据。
• 为从业者在TSP应用中选择有效的遗传算法参数提供指导。

提出的方法

• 本研究在固定选择与交叉机制的遗传算法框架下实施，以隔离变异算子的影响。
• 在基准TSP实例上评估了五种变异算子——交换（swap）、倒置（inversion）、混乱（scramble）、插入（insert）和反转（reverse）。
• 每种算子均在多个运行中测试，初始种群与终止条件保持一致。
• 通过总路径长度（解的代价）与迭代过程中的收敛速率来衡量性能。
• 通过统计分析比较不同算子结果的均值与标准差。
• 分析使用标准TSP基准数据集，以确保可复现性与相关性。

实验结果

研究问题

• RQ1 哪种变异算子在最小化TSP路径长度方面能提供最佳的解质量？
• RQ2 不同变异算子在收敛至最优解的速度方面如何比较？
• RQ3 变异算子的选择是否显著影响遗传算法性能的可靠性与一致性？
• RQ4 是否存在某些特定的变异策略在多种TSP实例中均优于其他策略？

主要发现

• 倒置变异算子在所有测试的TSP实例中均持续产生最低的平均路径长度。
• 混乱变异算子表现出更优的收敛速度，在更少代数内达到近似最优解。
• 交换变异算子表现中等，但解质量的方差较高。
• 插入与反转算子效果较差，收敛更慢且平均解代价更高。
• 统计分析证实不同变异算子之间存在显著性能差异（p < 0.05）。
• 将倒置或混乱算子与标准交叉与选择机制结合，可获得最鲁棒的TSP解。