动图可能要梯子才能显示，可以去我的博客
population_cur = init_population()
# 计算当前种群的适应值
fitness = get_fitness(population_cur)
while 不满足终止条件：
# 保留一部分父代精英
population_next = select_sorted_population(fitness, population_cur, elite_size)
# 杂交
for i in range(population_size):
# 这里可以自己加入杂交概率
p1, p2 = selection(fitness, 2) # 使用轮盘赌选择算子 随机选两个作为父母
child1, child2 = crossover(population_cur[p1], population_cur[p2])
# 对孩子进行变异
if random.random() < p_mutation:
child1 = mutations.select_best_mutaion(child1, distmat)
if random.random() < p_mutation:
child2 = mutations.select_best_mutaion(child2, distmat)
population_next.append(child1)
population_next.append(child2)
# 这时一共有种群大小*四分之五个个体，从中选出下一代的种群
population_next = select_sorted_population(get_fitness(population_next), population_next, population_size)
# 换代
population_cur = population_next
对一个待变异的个体A，分别进行滑动变异，翻转变异，irgibnnm变异，取三种变异结果最好的那种[1]
随机生成两个下标a,b （a<b）; 将s[a]挪到s[b]后面
演示动图：
随机生成两个下标a,b ; 将s[a]到s[b]之间的序列倒过来
翻转变异也叫2变换法，演示动图:
先对序列进行一次翻转变异；随机挑选一个城市，把他交换到地图距离与他最近的城市附近去，文献中的附近是±5
这种变异方法的实验结果好像不如文献中展示的结果那么好，可能是我实现错了？演示动图：
运行gsp_ga.py文件即可
数据集用的是78个点[2]，在我的电脑上大概跑10s左右，印象中最优距离是5400m左右
[1] Improving TSP Solutions Using GA with a New Hybrid Mutation Based on Knowledge and Randomness [2] github大佬模拟退火解决tsp问题