基于均匀两点交叉的 遗传算法能够更有效地搜索到问题的有效解。对于二 进制编码方法使用上面的两种交叉操作都能达到问题 的最优解,-Two crossover based on uniform genetic algorithm can more effectively search the solution to the problem effectively. For the binary coding method using the above two cross-operati

TSP问题是一个典型的、容易描述但是难以处理的NP完全问题，同时TSP问题也是诸多领域内出现的多种复杂问题的集中概括和简化形式。目前求解TSP问题的主要方法有启发式搜索法、模拟退火算法、遗传算法、Hopfield神经网络算法、二叉树描述算法。所以，有效解决TSP问题在计算理论上和实际应用上都有很高的价值，而且TSP问题由于其典型性已经成为各种启发式的搜索、优化算法的间接比较标准(如遗传算法、神经网络优化、列表寻优(TABU)法、模拟退火法等)。遗传算法就其本质来说，主要是解决复杂问题的一种鲁棒性

为了自动学习CNN的深度网络结构，网络结构的数量随着网络中间层数量的增加呈指数增长，这启发我们使用遗传算法有效地遍历这个大的搜索空间。我们首先提出一种编码方法，将每个网络结构表示为一个固定长度的二进制字符串，然后通过生成一组随机个体来初始化遗传算法。在每一代中，我们定义标准的遗传操作(如选择、突变和交叉)来消除弱势个体并产生更具竞争力的个体。(In order to automatically learn the deep network structure of CNN, the number