遗传算法工具箱Geatpy求解TSP

Geatpy简介

Geatpy是一个高性能实用型进化算法工具箱，提供许多已实现的进化算法中各项重要操作的库函数，并提供一个高度模块化、耦合度低的面向对象的进化算法框架，利用“定义问题类 + 调用算法模板”的模式来进行进化优化，可用于求解单目标优化、多目标优化、复杂约束优化、组合优化、混合编码进化优化等，并且能和SCOOP等框架紧密配合进行分布式计算。

TSP问题

某人从A点出发，要走遍每一个点，且每个点只去一次，最后要返回A点。起止点是明确的，我们只需要考虑中间点的到达顺序即可，因此决策变量维数为点的数量减1。起点A为0点，因此决策变量的下界为1，上界为决策变量维数。

代码实现

Geatpy有很多内置的进化算法模板，这里用到的是单目标增强精英保留的遗传算法模板。我们需要知道所有点的坐标，然后用Problem类对问题进行描述，最后设置模板参数，对问题进行求解。

import geatpy as ea
import numpy as np
import matplotlib.pyplot as plt# TSP坐标点
places=[[35.0, 35.0], [41.0, 49.0], [35.0, 17.0], [55.0, 45.0], [55.0, 20.0], [15.0, 30.0],[25.0, 30.0], [20.0, 50.0], [10.0, 43.0], [55.0, 60.0], [30.0, 60.0], [20.0, 65.0], [50.0, 35.0], [30.0, 25.0], [15.0, 10.0], [30.0, 5.0], [10.0, 20.0], [5.0, 30.0],[20.0, 40.0], [15.0, 60.0]]
#print(len(places))# 定义问题
class MyProblem(ea.Problem):  # 继承Problem父类def __init__(self):name = 'MyProblem'  # 初始化name（函数名称，可以随意设置）M = 1  # 初始化M（目标维数）maxormins = [1]  # 初始化maxormins（目标最小最大化标记列表，1：最小化该目标；-1：最大化该目标）Dim = len(places) - 1 # 初始化Dim（决策变量维数）varTypes = [1] * Dim  # 初始化varTypes（决策变量的类型，元素为0表示对应的变量是连续的；1表示是离散的）lb = [1] * Dim  # 决策变量下界ub = [Dim] * Dim  # 决策变量上界lbin = [1] * Dim  # 决策变量下边界（0表示不包含该变量的下边界，1表示包含）ubin = [1] * Dim  # 决策变量上边界（0表示不包含该变量的上边界，1表示包含）# 调用父类构造方法完成实例化ea.Problem.__init__(self, name, M, maxormins, Dim, varTypes, lb, ub, lbin, ubin)# 新增一个属性存储旅行地坐标self.places = np.array(places)def aimFunc(self, pop):  # 目标函数x = pop.Phen.copy()  # 得到决策变量矩阵# 添加最后回到出发地X = np.hstack([x, x[:, [0]]]).astype(int)ObjV = []  # 存储所有种群个体对应的总路程for i in range(pop.sizes):journey = self.places[X[i], :]  # 按既定顺序到达的地点坐标distance = np.sum(np.sqrt(np.sum(np.diff(journey.T) ** 2, 0)))  # 计算总路程ObjV.append(distance)pop.ObjV = np.array([ObjV]).T"""调用模板求解"""
if __name__ == '__main__':"""================================实例化问题对象============================"""problem = MyProblem()  # 生成问题对象"""==================================种群设置=============================="""Encoding = 'P'  # 编码方式，采用排列编码NIND = 50  # 种群规模Field = ea.crtfld(Encoding, problem.varTypes, problem.ranges, problem.borders)  # 创建区域描述器population = ea.Population(Encoding, Field, NIND)  # 实例化种群对象（此时种群还没被初始化，仅仅是完成种群对象的实例化）"""================================算法参数设置============================="""myAlgorithm = ea.soea_SEGA_templet(problem, population)  # 实例化一个算法模板对象myAlgorithm.MAXGEN = 500 # 最大进化代数myAlgorithm.mutOper.Pm = 0.5  # 变异概率myAlgorithm.logTras = 0  # 设置每隔多少代记录日志，若设置成0则表示不记录日志myAlgorithm.verbose = True  # 设置是否打印输出日志信息myAlgorithm.drawing = 1  # 设置绘图方式（0：不绘图；1：绘制结果图；2：绘制目标空间过程动画；3：绘制决策空间过程动画）"""===========================调用算法模板进行种群进化========================"""[BestIndi, population] = myAlgorithm.run()  # 执行算法模板，得到最优个体以及最后一代种群BestIndi.save()  # 把最优个体的信息保存到文件中"""==================================输出结果=============================="""print('评价次数：%s' % myAlgorithm.evalsNum)print('时间已过 %s 秒' % myAlgorithm.passTime)if BestIndi.sizes != 0:print('最短路程为：%s' % BestIndi.ObjV[0][0])print('最佳路线为：')best_journey = np.hstack([0, BestIndi.Phen[0, :], 0])for i in range(len(best_journey)):print(int(best_journey[i]), end=' ')print()# 绘图plt.figure()plt.plot(problem.places[best_journey.astype(int), 0], problem.places[best_journey.astype(int), 1], c='black')plt.plot(problem.places[best_journey.astype(int), 0], problem.places[best_journey.astype(int), 1], 'o',c='black')for i in range(len(best_journey)):plt.text(problem.places[int(best_journey[i]), 0], problem.places[int(best_journey[i]), 1],chr(int(best_journey[i]) + 65), fontsize=20)plt.grid(True)plt.xlabel('x坐标')plt.ylabel('y坐标')plt.savefig('roadmap.svg', dpi=600, bbox_inches='tight')else:print('没找到可行解。')

运算结果

种群信息导出完毕。
评价次数：25000
时间已过 0.5235998630523682 秒
最短路程为：244.7126675640766
最佳路线为：
0 4 13 2 15 14 16 17 5 6 18 8 7 19 11 10 1 9 3 12 0

参考资料

1.Geatpy官网 http://geatpy.com/index.php/quickstart/

2.Geatpy的GitHub链接 https://github.com/geatpy-dev/geatpy