GA求解TSP
遗传算法中包含了如下5个基本要素：
（1）对参数进行编码；
（2）设定初始种群大小；
（3）适应度函数的设计；
（4）遗传操作设计；
（5）控制参数设定（包括种群大小、最大进化代数、交叉率、变异率等）。
下面使用python编程对中国28个省会城市的TSP问题进行了求解，python的版本是2.7.14。百度地图提供了JavaScript API，能够很方便地获取各城市之间的路径距离。这里有一段获取28个城市之间距离的JS代码，将其复制到百度地图JavaScript API的一些示例网页上，然后点击运行，再点击右侧相应的按钮即可获取各城市之间的距离。
<html>
<head>
<meta http-equiv="Content-Type" content="text/html; charset=utf-8" />
<meta name="viewport" content="initial-scale=1.0, user-scalable=no" />
<style type="text/css">
body, html{width: 100%;height: 100%;overflow: hidden;margin:0;font-family:"微软雅黑";}
#l-map{height:100px;width:100%;}
#r-result{width:100%; font-size:1px;line-height:12px;}
</style>
<script type="text/javascript" src="http://api.map.baidu.com/api?v=2.0&ak=您的密钥"></script>
<title>计算驾车时间与距离</title>
</head>
<body>
<div id="l-map"></div>
<div id="r-result">
<input type="button" value = "计算各省会城市间距离矩阵" onclick = "getCityDistance()" />
<div id="result"></div>
</div>
</body>
</html>
<script type="text/javascript">
// 百度地图API功能
var map = new BMap.Map("l-map");
map.centerAndZoom(new BMap.Point(116.404, 39.915), 5);
var city = [
"北京", "长春", "沈阳", "哈尔滨", "石家庄", "济南",
"呼和浩特", "太原", "郑州", "南京", "上海", "杭州",
"福州", "南昌", "武汉", "合肥", "长沙", "广州",
"重庆", "西安", "海口", "贵阳", "昆明", "成都",
"兰州", "西宁", "拉萨", "乌鲁木齐"
]; var i = 0, j = 1; function getCityDistance()
{
setInterval(getCityDistance1, 6000);
} function getCityDistance1()
{
if(i >= city.length - 1)
{
return;
}
var output = "";
city1 = city[i];
city2 = city[j];
var searchComplete = function (results)
{
if(transit.getStatus() != BMAP_STATUS_SUCCESS)
{
return ;
}
var plan = results.getPlan(0);
output += plan.getDistance(false) + ", "; //获取距离
document.getElementById("result").innerHTML += output;
}
var transit = new BMap.DrivingRoute(
map,
{renderOptions: {map: map, autoViewport: false}, onSearchComplete: searchComplete, onPolylinesSet: function(){}}
); transit.search(city1, city2); j++;
if(j >= city.length)
{
i++;
j = i + 1;
} }
</script>
第一步，初始化种群
# 创造生命集
for i in range(self.life_count):
self.lives.append(Life(self.make_life()))
# 创造新生命
def make_life(self):
lst = range(self.gene_length)
# 随机顺序
random.shuffle(lst)
return lst
第二步，计算个体适应度
使用每个个体对应的路线总长度的倒数作为个体的适应度，也就是每个个体的得分
# 评价函数
def judge(self):
self.bounds = 0.0
self.best = Life()
self.best.setScore(-1.0)
for lf in self.lives:
lf.score = 1.0/self.distance(lf.gene)
if lf.score > self.best.score:
self.best = lf
self.bounds += lf.score
# 得到当前顺序下连线总长度
def distance(self, order):
distance = 0
for i in range(-1, self.gene_length - 1):
i1, i2 = order[i], order[i + 1]
distance += self.get_city_distance(self.dist_matrix, self.gene_length, i1, i2)
return distance
第三步，更新种群
（1）将种群中适应度最高（得分最高）的个体加入下一代种群中
（2）从种群中选择一些个体用于产生下一代，每个个体被选到的可能性与它的得分成正比。选择概率计算方式为
（3）从种群中选择两个个体后，以一定的概率进行交叉。交叉的方法为：从第二个个体基因的前段截取一段随机长度的基因接到第一个个体基因的前面，然后剔除其与截取基因段中重复的元素，最终得到一个新的基因
（4）以一定的概率对第（3）步得到的基因进行变异。变异的方法为：从基因中随机选取两个位置，将这两个位置的元素互换，并将其中一个元素转移到基因的末尾
（5）重复（2）到（4），直到产生的新个体数与原种群个体数相同为止
# 演化至下一代
def next(self):
# 评估群体
self.judge()
# 新生命集
newLives = []
# 将最好的父代加入竞争
newLives.append(Life(self.best.gene))
# 产生新的生命集个体
while(len(newLives) < self.life_count):
newLives.append(self.bear())
# 更新新的生命集
self.lives = newLives
self.generation += 1
# 产生后代
def bear(self):
lf1 = self.get_onelife()
lf2 = self.get_onelife()
# 交叉
r = random.random()
if r < self.overlapping_rate:
gene = self.overlapping_func(lf1, lf2)
else:
gene = lf1.gene
# 突变
r = random.random()
if r < self.mutation_rate:
gene = self.mutation_func(gene)
self.mutation_count += 1
# 返回生命体
return Life(gene)
# 根据得分情况，随机取得一个个体，机率正比于个体的score属性
def get_onelife(self):
# 轮盘
r = random.uniform(0, self.bounds)
for lf in self.lives:
r -= lf.score;
if r <= 0:
return lf
# 交叉函数：选择lf2序列前子序列交叉到lf1前段，删除重复元素
def overlapping_func(self, lf1, lf2):
p2 = random.randint(1, self.gene_length - 1)
# 截取if2
g1 = lf2.gene[0:p2] + lf1.gene
g11 = []
for i in g1:
if i not in g11:
g11.append(i)
return g11
# 变异函数:选择两个不同位置基因交换，第一个选择的基因重新加入到序列尾端
def mutation_func(self, gene):
p1 = random.randint(0, self.gene_length - 1)
p2 = random.randint(0, self.gene_length - 1)
while p2 == p1:
p2 = random.randint(0, self.gene_length - 1)
gene[p1], gene[p2] = gene[p2], gene[p1]
gene.append(gene[p2])
del gene[p2]
return gene
完整的代码如下
# -*- coding: utf-8 -*- import random
import math class Life(object): # 初始化
def __init__(self, gene = None):
self.gene = gene
self.score = -1.0 # 设置评估分数
def setScore(self, v):
self.score = v #----------- TSP问题 -----------
class MyTSP(object): # 初始化
def __init__(self, gene_length = 28, overlapping_rate = 0.7, mutation_rate = 0.03, life_count = 30, max_iteration = 4000): self.overlapping_rate = overlapping_rate # 交叉率
self.mutation_rate = mutation_rate # 突变率
self.mutation_count = 0 # 突变次数
self.generation = 0 # 进化代数
self.lives = [] # 生命集合
self.bounds = 0.0 # 得分总数
self.best = None # 种群每代中的最优个体
self.best_gene = [] # 所有代种群中的最优基因
self.best_gene_distance = 1e20 # 所有代种群中的最优基因所对应的路径长度
self.life_count = life_count # 生命个数
self.gene_length = gene_length # 基因长度，此处即为城市个数
self.max_iteration = max_iteration
self.min_distance = [] # 创造生命集
for i in range(self.life_count):
self.lives.append(Life(self.make_life())) # 读取各城市间的距离
with open('distance.txt', 'r') as f:
data = f.read()
data = data.replace(",", "")
odom = data.split()
self.dist_matrix = map(float, odom) print self.lives[6].gene
print self.distance(self.lives[6].gene) # 进化计算
def evolve(self):
while self.generation < self.max_iteration:
# 下一步进化
self.next()
self.min_distance.append(self.distance(self.best.gene))
if self.distance(self.best.gene) < self.best_gene_distance:
self.best_gene_distance = self.distance(self.best.gene)
self.best_gene = self.best.gene
if self.generation % 200 == 0:
print("迭代次数：%d, 变异次数%d, 最佳路径总距离：%d" % (self.generation, self.mutation_count, self.distance(self.best.gene)))
print self.best_gene
print self.best_gene_distance
return # 创造新生命
def make_life(self):
lst = range(self.gene_length)
# 随机顺序
random.shuffle(lst)
return lst # 演化至下一代
def next(self):
# 评估群体
self.judge()
# 新生命集
newLives = []
# 将最好的父代加入竞争
newLives.append(Life(self.best.gene))
# 产生新的生命集个体
while(len(newLives) < self.life_count):
newLives.append(self.bear())
# 更新新的生命集
self.lives = newLives
self.generation += 1 # 评价函数
def judge(self):
self.bounds = 0.0
self.best = Life()
self.best.setScore(-1.0)
for lf in self.lives:
lf.score = 1.0/self.distance(lf.gene)
if lf.score > self.best.score:
self.best = lf
self.bounds += lf.score # 得到当前顺序下连线总长度
def distance(self, order):
distance = 0
for i in range(-1, self.gene_length - 1):
i1, i2 = order[i], order[i + 1]
distance += self.get_city_distance(self.dist_matrix, self.gene_length, i1, i2)
return distance def get_city_distance(self, dist_matrix, n, i, j):
if i == j:
return 0
elif i > j:
i, j = j, i
return dist_matrix[i * (2 * n - i - 1)/2 + j - i - 1] # 产生后代
def bear(self):
lf1 = self.get_onelife()
lf2 = self.get_onelife()
# 交叉
r = random.random()
if r < self.overlapping_rate:
gene = self.overlapping_func(lf1, lf2)
else:
gene = lf1.gene
# 突变
r = random.random()
if r < self.mutation_rate:
gene = self.mutation_func(gene)
self.mutation_count += 1
# 返回生命体
return Life(gene) # 根据得分情况，随机取得一个个体，机率正比于个体的score属性
def get_onelife(self):
# 轮盘
r = random.uniform(0, self.bounds)
for lf in self.lives:
r -= lf.score;
if r <= 0:
return lf # 交叉函数：选择lf2序列前子序列交叉到lf1前段，删除重复元素
def overlapping_func(self, lf1, lf2):
p2 = random.randint(1, self.gene_length - 1)
# 截取if2
g1 = lf2.gene[0:p2] + lf1.gene
g11 = []
for i in g1:
if i not in g11:
g11.append(i)
return g11 # 变异函数:选择两个不同位置基因交换，第一个选择的基因重新加入到序列尾端
def mutation_func(self, gene):
p1 = random.randint(0, self.gene_length - 1)
p2 = random.randint(0, self.gene_length - 1)
while p2 == p1:
p2 = random.randint(0, self.gene_length - 1)
gene[p1], gene[p2] = gene[p2], gene[p1]
gene.append(gene[p2])
del gene[p2]
return gene import matplotlib.pyplot as plt overlapping_rate = [0.1, 0.2, 0.3, 0.4, 0.5, 0.7, 0.8, 0.9, 1.0]
mutation_rate = [0.005, 0.01, 0.03, 0.05, 0.07, 0.1, 0.2, 0.4, 0.7, 1.0]
life_count = [10, 20, 30, 40, 50, 60, 70, 80, 90, 100]
yy = [] for i in range(len(overlapping_rate)):
tsp = MyTSP(gene_length = 28, overlapping_rate = overlapping_rate[i], mutation_rate = 0.03, life_count = 30, max_iteration = 40)
tsp.evolve()
yy.append(tsp.best_gene_distance)
plt.figure('overlapping rate and minimum distance')
plt.plot(overlapping_rate, yy)
plt.xlabel('overlapping rate')
plt.ylabel("minimum distance of all generations") yy = []
for i in range(len(mutation_rate)):
tsp = MyTSP(gene_length = 28, overlapping_rate = 0.7, mutation_rate = mutation_rate[i], life_count = 30, max_iteration = 40)
tsp.evolve()
yy.append(tsp.best_gene_distance)
plt.figure("mutation rate and minimum distance")
plt.plot(mutation_rate, yy)
plt.xlabel('mutation rate')
plt.ylabel("minimum distance of all generations") yy = []
for i in range(len(life_count)):
tsp = MyTSP(gene_length = 28, overlapping_rate = 0.7, mutation_rate = 0.03, life_count = life_count[i], max_iteration = 40)
tsp.evolve()
yy.append(tsp.best_gene_distance)
plt.figure('life count of population and minimum distance')
plt.plot(life_count, yy)
plt.xlabel('life count of population')
plt.ylabel("minimum distance of all generations") yy = []
tsp = MyTSP(28, 0.5, 0.03, 30, 40)
tsp.evolve()
plt.figure('number of generation and minimum distance')
plt.plot(range(1, tsp.max_iteration + 1), tsp.min_distance)
plt.xlabel('number of generation')
plt.ylabel("minimum distance of every generation") plt.show()
代码中探究了迭代次数、交叉概率、变异概率、种群中生命体个数对求解效果的影响，分别如下面的4张曲线图
GA求解TSP的更多相关文章
- 遗传算法的C语言实现(二)-----以求解TSP问题为例
上一次我们使用遗传算法求解了一个较为复杂的多元非线性函数的极值问题,也基本了解了遗传算法的实现基本步骤.这一次,我再以经典的TSP问题为例,更加深入地说明遗传算法中选择.交叉.变异等核心步骤的实现.而 ...
- 基于粒子群算法求解求解TSP问题（JAVA）
一.TSP问题 TSP问题(Travelling Salesman Problem)即旅行商问题,又译为旅行推销员问题.货郎担问题,是数学领域中著名问题之一.假设有一个旅行商人要拜访n个城市,他必须选 ...
- 模拟退火算法（SA）求解TSP 问题（C语言实现）
这篇文章是之前写的智能算法(遗传算法(GA).粒子群算法(PSO))的补充.其实代码我老早之前就写完了,今天恰好重新翻到了,就拿出来给大家分享一下,也当是回顾与总结了. 首先介绍一下模拟退火算法(SA ...
- 基于爬山算法求解TSP问题（JAVA）
一.TSP问题 TSP问题(Travelling Salesman Problem)即旅行商问题,又译为旅行推销员问题.货郎担问题,是数学领域中著名问题之一.假设有一个旅行商人要拜访n个城市,他必须选 ...
- 基于贪心算法求解TSP问题（JAVA）
概述 前段时间在搞贪心算法,为了举例,故拿TSP来开刀,写了段求解算法代码以便有需之人,注意代码考虑可读性从最容易理解角度写,没有优化,有需要可以自行优化! 详细 代码下载:http://www.de ...
- 自适应大邻域搜索代码系列之(1) - 使用ALNS代码框架求解TSP问题
前言 上次出了邻域搜索的各种概念科普,尤其是LNS和ALNS的具体过程更是描述得一清二楚.不知道你萌都懂了吗?小编相信大家早就get到啦.不过有个别不愿意透露姓名的热心网友表示上次没有代码,遂不过瘾啊 ...
- 干货 | 10分钟掌握branch and cut（分支剪界）算法原理附带C++求解TSP问题代码
00 前言 branch and cut其实还是和branch and bound脱离不了干系的.所以,在开始本节的学习之前,请大家还是要务必掌握branch and bound算法的原理. 01 应 ...
- 【优化算法】变邻域搜索算法(VNS)求解TSP（附C++详细代码及注释）
00 前言 上次变邻域搜索的推文发出来以后,看过的小伙伴纷纷叫好.小编大受鼓舞,连夜赶工,总算是完成了手头上的一份关于变邻域搜索算法解TSP问题的代码.今天,就在此给大家双手奉上啦,希望大家能ENJO ...
- 利用遗传算法求解TSP问题
转载地址 https://blog.csdn.net/greedystar/article/details/80343841 目录 一.问题描述 二.算法描述 三.求解说明 四.参考资料 五.源代码 ...
随机推荐
- NEU操作系统实验课4——线程同步
实验要求: 创建两个线程按数字顺序打印10以下自然数,其中一个线程打印1-3及8-10:另一个线程打印4-6.要求使用线程同步机制实现上述打印顺序. 看网上的资料学习了两种写法 C++11的,使用了s ...
- Python环境设置-zlib not available
今天在Linux中安Python3的时候,出现了一个错误:zipimport.ZipImportError: can‘t decompress data; zlib not available 网上找 ...
- Scrapy中的UA池，代理池，以及selenium的应用
UA池 代理池 selenium在Scrapy中的应用 UA池 - 下载中间件: - 下载中间件(Downloader Middlewares) 位于scrapy引擎和下载器之间的一层组件. - 作用 ...
- Arduino-OLED-四度显示
double Fahrenheit(double celsius) { ; } //摄氏温度度转化为华氏温度 double Kelvin(double celsius) { return celsiu ...
- WinForm和数据库的连接
有几天没有写东西,今天来写点关于数据库的东西. 第一步:现在你自己的SQL Server数据库中创建一个新的数据库test,然后在里面新建一张表tb_user,在这张表中添加几个字段并为它赋值,具体结 ...
- ansible upload
# 链接地址:https://www.cnblogs.com/xiaoxiaoleo/p/6626299.html # synchronize: 从拉取远程服务器文件,需要加mode: pull # ...
- 在Hibernate映射文件里配置Sequence
<!--注意该id的数据类型以及<generator>节点下的<param>节点的写法--> <id name="id" type=&qu ...
- WordPress的wordfence插件的设置方法
- CBIR--Survey.C/GPU优化.Sys搭建
一:CBIR综述:转自于wiki:http://zh.wikipedia.org/wiki/CBIR 参考链接:http://blog.csdn.net/kezunhai/article/detail ...
- gitignore相关
用git也有一段时间了,前些天在公司fork一个新的项目着手做,结果这个项目的creator早先把eclipse的配置文件也提交了上去,后续其他参与者提交代码时,这几个文件总是要注意不选中. 虽然不影 ...