【建模算法】基于遗传算法求解TSP问题（Python实现）

【建模算法】基于遗传算法求解TSP问题（Python实现）

TSP (traveling salesman problem，旅行商问题)是典型的NP完全问题，即其最坏情况下的时间复杂度随着问题规模的增大按指数方式增长，到目前为止还未找到一个多项式时间的有效算法。本文探讨了基于遗传算法求解TSP问题的Python实现。

一、问题描述

​ 本案例以31个城市为例，假定31个城市的位置坐标如表1所列。寻找出一条最短的遍历31个城市的路径。

城市编号	X坐标	Y坐标	城市编号	X坐标	Y坐标
1	1.304	2.312	17	3.918	2.179
2	3.639	1.315	18	4.061	2.37
3	4.177	2.244	19	3.78	2.212
4	3.712	1.399	20	3.676	2.578
5	3.488	1.535	21	4.029	2.838
6	3.326	1.556	22	4.263	2.931
7	3.238	1.229	23	3.429	1.908
8	4.196	1.044	24	3.507	2.376
9	4.312	0.79	25	3.394	2.643
10	4.386	0.57	26	3.439	3.201
11	3.007	1.97	27	2.935	3.24
12	2.562	1.756	28	3.14	3.55
13	2.788	1.491	29	2.545	2.357
14	2.381	1.676	30	2.778	2.826
15	1.332	0.695	31	2.37	2.975
16	3.715	1.678

二、解题思路及步骤

1.遗传算法步骤：

第一步：初始化 t←0进化代数计数器；T是最大进化代数（也可以没有）；随机生成M个个体作为初始群体P（t）；

第二步：个体评价 计算P（t）中各个个体的适应度；

第三步：选择运算 将选择算子作用于群体；

第四步：交叉运算 将交叉算子作用于群体；

第五步：变异运算 将变异算子作用于群体，并通过以上运算得到下一代群体P（t + 1）;

第六步：终止条件判断 t≦T：t← t+1 转到步骤2；t>T：终止 输出解。

2.遗传算法求解的一般过程：

1）确定决策变量及各种约束条件，即个体的表现型X和问题的解空间；

2）建立优化模型 （目标函数最大OR 最小） 数学描述形式 量化方法；

3）染色体编码方法；

4）解码方法；

5）个体适应度的量化评价方法 F(x)

6）设计遗传算子；

7）确定有关运行参数。

3.方法实现

编码方式

应用于TSP问题，选用整数编码，每个整数代表一个城市，一整条路径就是整个染色体编码；如此显式的编码，可以不用解码；

population = []# 初始化种群index = [i for i in range(w)]
for i in range(count):x = index.copy()random.shuffle(x)gailiang(x)population.append(x)

初始种群

随机生成初始种群，并计算这个初始种群的个体适应度。初始化种群时，采用改良版本，为了初始化一个较好的种群，如果随即交换两个城市的位置，如果总距离减小，那么就更新这个染色体。

# 初始种群的改良
def gailiang(x):distance = get_total_distance(x)gailiang_num = 0while gailiang_num < gailiang_N:while True:a = random.randint(0, len(x) - 1)b = random.randint(0, len(x) - 1)if a != b:breaknew_x = x.copy()temp_a = new_x[a]new_x[a] = new_x[b]new_x[b] = temp_aif get_total_distance(new_x) < distance:x = new_x.copy()gailiang_num += 1

选择算子

选择总距离作为适应度函数，距离越小适应度越高，（存活率与总距离的倒数成正比）

# 适应度
def get_total_distance(x):dista = 0for i in range(len(x)):if i == len(x) - 1:dista += distance[x[i]][x[0]]else:dista += distance[x[i]][x[i + 1]]return dista

交叉算子

1 部分映射交叉

选择交换部分，交换父代个体基因产生子代，然后建立映射表，根据映射表来消除基因冲突。

2 顺序交叉

在父代样本1中选择交换部分，根据父代1的交叉部分先生成子代1的部分基因片段，然后将父代2中未被选中的基因按顺序复制到子代1的空余部分；然后根据父代2选择交叉部分生成子代2，并将父代1中未选择的部分复制到子代2的空余；

3 基于位置的交叉

在父代1选择时随机选择需要交换的基因，根据交叉部分生成子代1；将父代2中未被选择到的基因复制到子代1中；然后根据父代2随机选择交叉部分生成子代2，并将父代1中未选择的部分复制到子代2的空余；

# 交叉繁殖
def crossover(parents):target_count = count - len(parents)children = []while len(children) < target_count:while True:male_index = random.randint(0, len(parents)-1)female_index = random.randint(0, len(parents)-1)if male_index != female_index:breakmale = parents[male_index]female = parents[female_index]left = random.randint(0, len(male) - 2)right = random.randint(left, len(male) - 1)gen_male = male[left:right]gen_female = female[left:right]child_a = []child_b = []len_ca = 0for g in male:if len_ca == left:child_a.extend(gen_female)len_ca += len(gen_female)if g not in gen_female:child_a.append(g)len_ca += 1len_cb = 0for g in female:if len_cb == left:child_b.extend(gen_male)len_cb += len(gen_male)if g not in gen_male:child_b.append(g)len_cb += 1children.append(child_a)children.append(child_b)return children

变异算子

根据变异算子的概率，变异时随机选择两个不同的位置的基因进行交换。也可以采用三点变异法，随机生成abc三点，将ac基因片段与bc做交换。

# 变异操作
def mutation(children):for i in range(len(children)):if random.random() < mutation_rate:while True:u = random.randint(0, len(children[i]) - 1)v = random.randint(0, len(children[i]) - 1)if u != v:breaktemp_a = children[i][u]children[i][u] = children[i][v]children[i][v] = temp_a

更新种群

采用杰出父代+子代的方式来更新种群。

while i < iter_time:# 自然选择parents = nature_select(population)# 繁殖children = crossover(parents)# 变异mutation(children)# 更新population = parents + childrenresult_cur_best, dist_cur_best = get_result(population)distance_list.append(dist_cur_best)i = i + 1print(result_cur_best)print(dist_cur_best)

我在求解时采用了在初始种群中进行改良的方法，收敛速度相对较快，求解结果比较满意。

三、求解结果

距离和城市序列：

TSP图和Loss图：

四、实现代码

#遗传算法求解TSP问题完整代码：
import numpy as np
import pandas as pd
import matplotlib.pyplot as plt
import matplotlib
import math
import random# 处理数据coord = []
with open("data.txt", "r") as lines:lines = lines.readlines()
for line in lines:xy = line.split()coord.append(xy)coord = np.array(coord)
w, h = coord.shape
coordinates = np.zeros((w, h), float)
for i in range(w):for j in range(h):coordinates[i, j] = float(coord[i, j])# print(coordinates)# 得到距离矩阵distance = np.zeros((w, w))
for i in range(w):for j in range(w):distance[i, j] = distance[j, i] = np.linalg.norm(coordinates[i] - coordinates[j])# 种群数
count = 300# 进化次数
iter_time = 1000# 最优选择概率
retain_rate = 0.3  # 适应度前30%可以活下来# 弱者生存概率
random_select_rate = 0.5# 变异
mutation_rate = 0.1# 改良
gailiang_N = 3000# 适应度
def get_total_distance(x):dista = 0for i in range(len(x)):if i == len(x) - 1:dista += distance[x[i]][x[0]]else:dista += distance[x[i]][x[i + 1]]return dista# 初始种群的改良
def gailiang(x):distance = get_total_distance(x)gailiang_num = 0while gailiang_num < gailiang_N:while True:a = random.randint(0, len(x) - 1)b = random.randint(0, len(x) - 1)if a != b:breaknew_x = x.copy()temp_a = new_x[a]new_x[a] = new_x[b]new_x[b] = temp_aif get_total_distance(new_x) < distance:x = new_x.copy()gailiang_num += 1# 自然选择def nature_select(population):grad = [[x, get_total_distance(x)] for x in population]grad = [x[0] for x in sorted(grad, key=lambda x: x[1])]# 强者retain_length = int(retain_rate * len(grad))parents = grad[: retain_length]# 生存下来的弱者for ruozhe in grad[retain_length:]:if random.random() < random_select_rate:parents.append(ruozhe)return parents# 交叉繁殖
def crossover(parents):target_count = count - len(parents)children = []while len(children) < target_count:while True:male_index = random.randint(0, len(parents)-1)female_index = random.randint(0, len(parents)-1)if male_index != female_index:breakmale = parents[male_index]female = parents[female_index]left = random.randint(0, len(male) - 2)right = random.randint(left, len(male) - 1)gen_male = male[left:right]gen_female = female[left:right]child_a = []child_b = []len_ca = 0for g in male:if len_ca == left:child_a.extend(gen_female)len_ca += len(gen_female)if g not in gen_female:child_a.append(g)len_ca += 1len_cb = 0for g in female:if len_cb == left:child_b.extend(gen_male)len_cb += len(gen_male)if g not in gen_male:child_b.append(g)len_cb += 1children.append(child_a)children.append(child_b)return children# 变异操作
def mutation(children):for i in range(len(children)):if random.random() < mutation_rate:while True:u = random.randint(0, len(children[i]) - 1)v = random.randint(0, len(children[i]) - 1)if u != v:breaktemp_a = children[i][u]children[i][u] = children[i][v]children[i][v] = temp_adef get_result(population):grad = [[x, get_total_distance(x)] for x in population]grad = sorted(grad, key=lambda x: x[1])return grad[0][0], grad[0][1]population = []
# 初始化种群
index = [i for i in range(w)]
for i in range(count):x = index.copy()random.shuffle(x)gailiang(x)population.append(x)distance_list = []
result_cur_best, dist_cur_best = get_result(population)
distance_list.append(dist_cur_best)i = 0
while i < iter_time:# 自然选择parents = nature_select(population)# 繁殖children = crossover(parents)# 变异mutation(children)# 更新population = parents + childrenresult_cur_best, dist_cur_best = get_result(population)distance_list.append(dist_cur_best)i = i + 1print(result_cur_best)print(dist_cur_best)for i in range(len(result_cur_best)):result_cur_best[i] += 1result_path = result_cur_best
result_path.append(result_path[0])print(result_path)# 画图X = []
Y = []
for index in result_path:X.append(coordinates[index-1, 0])Y.append(coordinates[index-1, 1])plt.rcParams['font.sans-serif'] = 'SimHei'  # 设置中文显示
plt.rcParams['axes.unicode_minus'] = False
plt.figure(1)
plt.plot(X, Y, '-o')
for i in range(len(X)):plt.text(X[i] + 0.05, Y[i] + 0.05, str(result_path[i]), color='red')
plt.xlabel('横坐标')
plt.ylabel('纵坐标')
plt.title('轨迹图')plt.figure(2)
plt.plot(np.array(distance_list))
plt.title('优化过程')
plt.ylabel('最优值')
plt.xlabel('代数({}->{})'.format(0, iter_time))
plt.show()