模拟退火算法求解TSP问题

前言：模拟退火（simulated annealing）技术，在每一步都以一定的概率接受比当前结果更差的结果，从而有助于“跳出”局部极小。在每次迭代过程中，接受“次优解”的概率要随着时间的推移而逐渐降低，从而保证算法的稳定性。

嘻嘻嘻，推荐一篇好文章让你快速学习模拟退火算法求解旅行商问题

作者用的是c++编写的程序，而且作者在程序中设置的是每个城市的坐标，也就默认city a 到city b的距离和city b 到city a的距离一样了，和老师题目要求的用非对称矩阵来描述城市之间的距离是不一样的。

下面我参考作者代码，按老师的要求（A-B的距离不等于 B-A的距离）用 python 实现了TSP问题，其中参数也调了调。
不得不说，python真是个简单便捷的语言呢！！！

'''
设有n个城市和距离矩阵D=[dij]，
其中dij表示城市i到城市j的距离，i，j=1，2 … n，
则问题是要找出遍访每个城市恰好一次的一条回路并使其路径长度为最短。
'''from time import time
from copy import copy
from numpy import exp
import numpy as np
import randomT0 = 10.0       # 初始温度
T_end = 0.001   # 最低温度
q = 0.98        # 退火系数
L = 10          # 每个温度时的迭代此时，即链长
N = 5           # 城市数量
city_list = [i for i in range(N)]  # 初始化一个解
city_dis = np.floor(10 * np.random.random((N, N)) + 1)  # 城市之间的距离矩阵# 计算路径长度
def path_len(path_list):path = 0for i in range(len(path_list) - 1):city1 = path_list[i]city2 = path_list[i + 1]dis = city_dis[city1][city2]path += dislast_city = path_list[-1]first_city = path_list[0]dis = city_dis[last_city][first_city]path += disreturn path# 采用随机交换位置的方式产生新解
def create_new():pos1 = random.randint(0, N - 1)  # randint闭区间pos2 = random.randint(0, N - 1)temp = city_list[pos1]city_list[pos1] = city_list[pos2]city_list[pos2] = tempif __name__ == '__main__':t1 = time()count = 0  # 记录降温次数T = T0city_list_copy = []  # 保存原始解while T > T_end:  # 当温度低于结束温度时，退火结束for i in range(L):city_list_copy = copy(city_list)  # 复制数组create_new()  # 产生新解f1 = path_len(city_list_copy)  # 初始解目标函数值f2 = path_len(city_list)  # 新解目标函数值df = f2 - f1# Metropolis 准则if df >= 0:print("df:", df)print("exp:", exp(-df / T))if exp(-df / T) <= random.random():  # 保留原来解city_list = copy(city_list_copy)T *= q  # 降温count += 1t2 = time()print("城市之间的距离矩阵：\n", city_dis)print("模拟退火算法,初始温度T0=%.2f,降温系数q=%.2f,每个温度迭代%d次,共降温%d次\n" % (T0, q, L, count))print("TSP最优路径为：", city_list)print("最优路劲长度为：%1f\n" % (path_len(city_list)))print("程序耗时：%1f秒\n" % (t2 - t1))

结果：

模拟退火算法求解TSP问题相关推荐

用模拟退火算法求解TSP问题
模拟退火算法是一种基于MonteCarlo迭代求解策略的一种随机寻优算法.该算法从某一较高初温出发,伴随温度参数的不断下降,结合概率的突跳特性在解空间中随机寻找目标函数的全局最优解,即在局部最优解能概 ...
模拟退火算法求解TSP问题(python)
matlab算法大全 pdf_遗传模拟退火算法求解旅行商（TSP）问题
hello大家好,很高兴又和大家见面了.在之前的遗传算法(GA)求解旅行商问题(TSP)MATLAB代码讲解和模拟退火(SA)算法求解旅行商 (TSP)问题MATLAB代码讲解这两篇推文中,分别讲解了 ...
基于模拟退火算法的TSP算法
文章目录一,理论基础二,TSP问题介绍三,思路和步骤控制参数的设置初始解解变换生成新解 Metropolis准则降温四,MATLAB程序实现五,结果分析六,算法的改进七,算法的局 ...
模拟退火算法求解旅行商问题（python实现）
模拟退火算法求解旅行商问题文章目录模拟退火算法求解旅行商问题一.模拟退火算法原理二.旅行商问题 1.求解思路 2.代码总结旅行商问题(TSP 问题).假设有一个旅行商人要拜访全国31个省会 ...
蚁群算法求解TSP问题的源代码
蚁群算法求解TSP问题的源代码分类: 智能算法2014-05-07 17:25 524人阅读评论(1) 收藏举报蚁群算法 TSP win32程序设计旅行商问题大都是用遗传算法求解,不过蚁群算 ...
《MATLAB智能算法30个案例》：第19章基于模拟退火算法的TSP算法
<MATLAB智能算法30个案例>:第19章基于模拟退火算法的TSP算法 1. 前言 2. MATLAB 仿真示例 3. 小结 1. 前言 <MATLAB智能算法30个案例分析&g ...
模拟退火算法求解旅行商问题
模拟退火算法求解旅行商问题文章目录模拟退火算法求解旅行商问题旅行商(TSP)问题一.TSP问题分析二.模拟退火算法 1.一秒理解算法 2.算法原理 3. 算法流程三.伪代码四.运行结果 ...
MATLAB模拟退火算法求解超市物流配送选址问题实例
模拟退火算法编程问题实例: MATLAB模拟退火算法求解超市物流配送选址问题实例在范围为(0,0)到(100,100)的矩形区域内,散布着40个连锁超市,各个连锁超市的坐标及需求量见表1.要求在该矩 ...

模拟退火算法求解TSP问题

模拟退火算法求解TSP问题相关推荐

最新文章

热门文章