Page 135 - 2025年第56卷第8期
P. 135
过增加迭代次数来提升哈密顿回路筛选的先进度 ［26］ 。为了更加直观的表示哈密顿回路筛选初始染色体
组的策略，现将改良圈的图解以原点（即首尾停车点）展开为一条直线，以突出筛选策略的原理。具体
哈密顿回路筛选求解方法见图 2。
图 2 哈密顿回路筛选原理图
3.3 混沌映射确定变异区间 对于传统遗传算法的变异操作没有规定的方法，使用者可根据具体问题
选择适合本问题的变异方式，从而使算法更稳定高效 ［27］ 。
本问题选择对随机区间再次排序的方式来进行变异操作，由于染
色体的高约束性，变异区间必须为两个停车点位之间的片段。如 3.1 节
中 032413043240 序列，可对 0324130 或 043240 或 032413043240 进 行
重新排序。初始停车点统一选择首位停车点，而对变异片段结束停车
点，通常使用随机数的方法来确定，但容易陷入局部最优。本研究采
用 Logistic 混沌映射来确定变异片段结束停车点 ［28］ 。
ì r 0 = rand
í ) （5）
î r t = 4r t - 1( 1 - r t - 1
N_end = round( r t × N max) （6）
式中：t 为当前迭代次数；rand 为（0，1）范围内的初始随机数；N_end
为变异片段结束停车点；N 为停车点位的数量；round（）为对数据进
max
行四舍五入，返回最接近的整数。
3.4 高约束单亲遗传算法步骤 通过 6 步寻求最优解（图 3）。
Step1：设置参数，包括哈密顿回路筛选与遗传算法各自的迭代次
数 G 、G ，初始种群数 NP ，哈密顿筛回路选后的优化种群数 NP ，变
1 2 1 2
异概率 r。
Step2：根据 3.1 节所提方法，进行初始种群 p 的生成。
0
Step3：通过 3.2 节哈密顿回路筛选策略对初始种群 p 进行优化， 图 3 高约束单亲遗传算法流程图
0
判断优化方法是否达到终止条件，若迭代次数 t 达到预设值 G ，则算法结束并输出优化种群 p ，否则
1 1 1
返回 Step3。
Step4：计算种群 p 各染色体适应度，适应度 f=1/sum（distances），distances 为运输车行驶距离。通
1
过轮盘赌法选择父代染色体集合。
Step5：将 Step4 得到的父代染色体集合通过 3.3 节方法进行变异操作。
Step6：判断算法是否达到终止条件。若迭代次数 t 达到预设值 G ，则算法结束并输出最优解，否
2 2
则返回 Step4。
— 1099 —
