旅行商问题在现实生活中具有极高的应用价值,被广泛用于旅游业、快递运输、电路板加工等行业。然而旅行商问题随着问题规模增大,求解复杂度不断增长。数学精确算法难以在有限时间复杂度内求得目标解,因此旅行商问题是NP难问题之一。当下,求解旅行商问题的主流算法多为启发式算法。遗传算法作为求解旅行商问题的经典启发式算法,在诸多同类优化算法中有着优秀的求解能力。遗传算法模拟生物界物种进化的自然规律。遗传算法把目标问题的解集射为物种种群,通过选择淘汰适应度差的个体,对剩下种群进行交叉、变异等操作产生新个体。经过多轮迭代循环直到种群收敛到近似最优解。虽然遗传算法有着优秀的全局搜索能力,但是遗传算法存在着对初始种群依赖性强,容易早熟,收敛慢等问题,有很大的改进空间。（1）提出基于强化预训练的改进指针网络。指针网络是基于序列到序列网络改造的深度学习网络,能准确学习旅行商问题等组合优化问题。为了能够更好的将指针网络用于不同规模大小的旅行商问题求解中,本文提出一种新的强化预先练方法来优化指针网络模型,修正指针网络在规模较大数据下的预测缺陷,提高网络预测准确度。（2）提出一种基于指针网络改进种群初始化的新模型。通过将指针网络解集与随机初始种群保留以最优个体策略融合为新种群,以此保证新种群优秀个体素质。同时,引入汉明距离,改造传统轮盘赌策略,以基于汉明距离轮盘赌策略改进新种群的种群多样性。以此来构造一个具备高质量个体多样性的新种群。并且,本文通过与初始化种群研究进展的多项方法在多个指标上进行实验对比验证。通过实验,验证本文提出新初始化模型的有效性与优越性。（3）将基于指针网络改进模型在公开数据集TSPLIB上进行验证。通过实验,将基于指针网络改进模型在TSPLIB上进行两部分实验对比验证。第一部分,将基于指针网络改进模型与研究进展改进初始化方案在TSPLIB上进行实验,并综合多项指标进行横向对比,验证改进模型的准确性与有效性。第二部分将改进模型同TSP研究进展中的多个主流启发式算法进行对比,进而验证改进算法模型的可行性和可靠性。本文通过随机数据和TSPLIB数据相结合对基于指针网络改进模型进行评测,通过实验对比,本文提出的改进模型,在不同的测试数据中,均有更好的求解表现。在改进种群初始化方法研究中,本文提出的模型比研究进展方法提高10-15%左右。在对比主流启发式算法求解中,本文提出的改进模型均达到研究进展水平,并且和主流启发式算法对比均占优。证明了基于指针网络改进遗传算法模型能有效用于旅行商问题求解中,为遗传算法在旅行商问题求解提供一种新的方法。