遗传算法求最短路径（旅行商问题）python实现

问题描述
一个商品推销员要去若干个城市推销商品，该推销员从一个城市出发，需要经过所有城市后，回到出发地。应如何选择行进路线，以使总的行程最短。
对于n个城市的TSP，本文利用python分别实现遗传算法对该问题的求解。

遗传算法

原理见链接
遗传算法原理及其python实现
遗传算法的基本运算过程如下：

初始化编码：设置最大进化代数T_max、选择概率、交叉概率、变异概率、随机生成m个染色体的群体，每个染色体的编码对于一个可行的路径（如6个城市，[1,3,2,6,4,5]就是一条可行路径）
适应度函数：对每一个染色体 Xk，其个体适应度函数设置为 f(Xk)=1/Dk ，其中Dk 表示该条路径的总长度。
选择：将旧群体中的染色体以一定概率选择到新群体，每条染色体选中的概率与对应的适应度函数只相对应，本文采用随机遍历选择。
交叉：在交叉概率的控制下，对选择群体中的个体进行两两交叉。
变异：在变异概率的控制下，对单个染色体随机交换两个点的位置
进化逆转：将选择的染色体随机选择两个位置r1:r2 ，将 r1:r2 的元素翻转为 r2:r1 ，如果翻转后的适应度更高，则替换原染色体，否则不变。
重插：选择的子代与父代结合，形成新的种群，循环操作

流程图如下

或者

代码


from math import floor
import numpy as np
import matplotlib.pyplot as plt  # 导入所需要的库class Gena_TSP(object):def __init__(self ,data ,maxgen=200 ,size_pop=200 ,cross_prob=0.9 ,pmuta_prob=0.01 ,select_prob=0.8):self.maxgen = maxgen  # 最大迭代次数self.size_pop = size_pop  # 群体个数self.cross_prob = cross_prob  # 交叉概率self.pmuta_prob = pmuta_prob  # 变异概率self.select_prob = select_prob  # 选择概率self.data = data  # 城市的左边数据self.num =len(data)  # 城市个数 对应染色体长度# 距离矩阵n*n, 第[i,j]个元素表示城市i到j距离matrix_dis函数见下文self.matrix_distance = self.matrix_dis()# 通过选择概率确定子代的选择个数self.select_num = max(floor(self.size_pop * self.select_prob + 0.5), 2)# 父代和子代群体的初始化（不直接用np.zeros是为了保证单个染色体的编码为整数，np.zeros对应的数据类型为浮点型）self.chrom = np.array([0] * self.size_pop * self.num).reshape(self.size_pop, self.num)#父 print(chrom.shape)(200, 14)self.sub_sel = np.array([0] * self.select_num * self.num).reshape(self.select_num, self.num)#子 (160, 14)# 存储群体中每个染色体的路径总长度，对应单个染色体的适应度就是其倒数  #print(fitness.shape)#(200,)self.fitness = np.zeros(self.size_pop)self.best_fit = []##最优距离self.best_path = []#最优路径# 计算城市间的距离函数  n*n, 第[i,j]个元素表示城市i到j距离def matrix_dis(self):res = np.zeros((self.num, self.num))for i in range(self.num):for j in range(i + 1, self.num):res[i, j] = np.linalg.norm(self.data[i, :] - self.data[j, :])#求二阶范数 就是距离公式res[j, i] = res[i, j]return res# 随机产生初始化群体函数def rand_chrom(self):rand_ch = np.array(range(self.num)) ## num 城市个数 对应染色体长度  =14for i in range(self.size_pop):#size_pop  # 群体个数 200np.random.shuffle(rand_ch)#打乱城市染色体编码self.chrom[i, :] = rand_chself.fitness[i] = self.comp_fit(rand_ch)# 计算单个染色体的路径距离值，可利用该函数更新fittnessdef comp_fit(self, one_path):res = 0for i in range(self.num - 1):res += self.matrix_distance[one_path[i], one_path[i + 1]] #matrix_distance n*n, 第[i,j]个元素表示城市i到j距离res += self.matrix_distance[one_path[-1], one_path[0]]#最后一个城市 到起点距离return res# 路径可视化函数def out_path(self, one_path):res = str(one_path[0] + 1) + '-->'for i in range(1, self.num):res += str(one_path[i] + 1) + '-->'res += str(one_path[0] + 1) + '\n'print(res)# 子代选取，根据选中概率与对应的适应度函数，采用随机遍历选择方法def select_sub(self):fit = 1. / (self.fitness)  # 适应度函数cumsum_fit = np.cumsum(fit)#累积求和   a = np.array([1,2,3]) b = np.cumsum(a) b=1 3 6pick = cumsum_fit[-1] / self.select_num * (np.random.rand() + np.array(range(self.select_num)))#select_num  为子代选择个数 160i, j = 0, 0index = []while i < self.size_pop and j < self.select_num:if cumsum_fit[i] >= pick[j]:index.append(i)j += 1else:i += 1self.sub_sel = self.chrom[index, :]#chrom 父# 交叉，依概率对子代个体进行交叉操作def cross_sub(self):if self.select_num % 2 == 0:#select_num160num = range(0, self.select_num, 2)else:num = range(0, self.select_num - 1, 2)for i in num:if self.cross_prob >= np.random.rand():self.sub_sel[i, :], self.sub_sel[i + 1, :] = self.intercross(self.sub_sel[i, :], self.sub_sel[i + 1, :])def intercross(self, ind_a, ind_b):#ind_a，ind_b 父代染色体 shape=(1,14) 14=14个城市r1 = np.random.randint(self.num)#在num内随机生成一个整数 ，num=14.即随机生成一个小于14的数r2 = np.random.randint(self.num)while r2 == r1:#如果r1==r2r2 = np.random.randint(self.num)#r2重新生成left, right = min(r1, r2), max(r1, r2)#left 为r1,r2小值 ，r2为大值ind_a1 = ind_a.copy()#父亲ind_b1 = ind_b.copy()# 母亲for i in range(left, right + 1):ind_a2 = ind_a.copy()ind_b2 = ind_b.copy()ind_a[i] = ind_b1[i]#交叉 （即ind_a  （1,14） 中有个元素 和ind_b互换ind_b[i] = ind_a1[i]x = np.argwhere(ind_a == ind_a[i])y = np.argwhere(ind_b == ind_b[i])"""下面的代码意思是 假如 两个父辈的染色体编码为【1234】，【4321】 交叉后为【1334】，【4221】交叉后的结果是不满足条件的，重复个数为2个需要修改为【1234】【4321】（即修改会来"""if len(x) == 2:ind_a[x[x != i]] = ind_a2[i]#查找ind_a 中元素=- ind_a[i] 的索引if len(y) == 2:ind_b[y[y != i]] = ind_b2[i]return ind_a, ind_b# 变异模块  在变异概率的控制下，对单个染色体随机交换两个点的位置。def mutation_sub(self):for i in range(self.select_num):#遍历每一个 选择的子代if np.random.rand() <= self.cross_prob:#如果随机数小于变异概率r1 = np.random.randint(self.num)#随机生成小于num==14 的数r2 = np.random.randint(self.num)while r2 == r1:#如果相同r2 = np.random.randint(self.num)#r2再生成一次self.sub_sel[i, [r1, r2]] = self.sub_sel[i, [r2, r1]]#随机交换两个点的位置。# 进化逆转  将选择的染色体随机选择两个位置r1:r2 ，将 r1:r2 的元素翻转为 r2:r1 ，如果翻转后的适应度更高，则替换原染色体，否则不变def reverse_sub(self):for i in range(self.select_num):#遍历每一个 选择的子代r1 = np.random.randint(self.num)#随机生成小于num==14 的数r2 = np.random.randint(self.num)while r2 == r1:#如果相同r2 = np.random.randint(self.num)#r2再生成一次left, right = min(r1, r2), max(r1, r2)#left取r1 r2中小值，r2取大值sel = self.sub_sel[i, :].copy()#sel 为父辈染色体 shape=（1,14）sel[left:right + 1] = self.sub_sel[i, left:right + 1][::-1]#将染色体中(r1:r2)片段 翻转为（r2:r1)if self.comp_fit(sel) < self.comp_fit(self.sub_sel[i, :]):#如果翻转后的适应度小于原染色体，则不变self.sub_sel[i, :] = sel# 子代插入父代，得到相同规模的新群体def reins(self):index = np.argsort(self.fitness)[::-1]#替换最差的（倒序）self.chrom[index[:self.select_num], :] = self.sub_sel#路径坐标
data = np.array([16.47,96.10,16.47,94.44,20.09,92.54,22.39,93.37,25.23,97.24,22.00,96.05,20.47,97.02,17.20,96.29,16.30,97.38,14.05,98.12,16.53,97.38,21.52,95.59,19.41,97.13,20.09,92.55]).reshape(14,2)
def main(data):Path_short = Gena_TSP(data)  # 根据位置坐标，生成一个遗传算法类Path_short.rand_chrom()  # 初始化父类## 绘制初始化的路径图fig, ax = plt.subplots()x = data[:, 0]y = data[:, 1]ax.scatter(x, y, linewidths=0.1)for i, txt in enumerate(range(1, len(data) + 1)):ax.annotate(txt, (x[i], y[i]))res0 = Path_short.chrom[0]x0 = x[res0]y0 = y[res0]for i in range(len(data) - 1):plt.quiver(x0[i], y0[i], x0[i + 1] - x0[i], y0[i + 1] - y0[i], color='r', width=0.005, angles='xy', scale=1,scale_units='xy')plt.quiver(x0[-1], y0[-1], x0[0] - x0[-1], y0[0] - y0[-1], color='r', width=0.005, angles='xy', scale=1,scale_units='xy')plt.show()print('初始染色体的路程: ' + str(Path_short.fitness[0]))# 循环迭代遗传过程for i in range(Path_short.maxgen):Path_short.select_sub()  # 选择子代Path_short.cross_sub()  # 交叉Path_short.mutation_sub()  # 变异Path_short.reverse_sub()  # 进化逆转Path_short.reins()  # 子代插入# 重新计算新群体的距离值for j in range(Path_short.size_pop):Path_short.fitness[j] = Path_short.comp_fit(Path_short.chrom[j, :])# 每隔三十步显示当前群体的最优路径index = Path_short.fitness.argmin()if (i + 1) % 30 == 0:print('第' + str(i + 1) + '步后的最短的路程: ' + str(Path_short.fitness[index]))print('第' + str(i + 1) + '步后的最优路径:')Path_short.out_path(Path_short.chrom[index, :])  # 显示每一步的最优路径# 存储每一步的最优路径及距离Path_short.best_fit.append(Path_short.fitness[index])Path_short.best_path.append(Path_short.chrom[index, :])res1 = Path_short.chrom[0]x0 = x[res1]y0 = y[res1]for i in range(len(data) - 1):plt.quiver(x0[i], y0[i], x0[i + 1] - x0[i], y0[i + 1] - y0[i], color='r', width=0.005, angles='xy', scale=1,scale_units='xy')plt.quiver(x0[-1], y0[-1], x0[0] - x0[-1], y0[0] - y0[-1], color='r', width=0.005, angles='xy', scale=1,scale_units='xy')plt.show()return Path_short  # 返回遗传算法结果类Path_short=main(data)
print(Path_short)

初始

最终

讲解

计算城市间的距离函数

 # 计算城市间的距离函数  n*n, 第[i,j]个元素表示城市i到j距离def matrix_dis(self):res = np.zeros((self.num, self.num))for i in range(self.num):for j in range(i + 1, self.num):res[i, j] = np.linalg.norm(self.data[i, :] - self.data[j, :])#求二阶范数 就是距离公式res[j, i] = res[i, j]return res

随机产生初始化群体函数

 # 随机产生初始化群体函数def rand_chrom(self):rand_ch = np.array(range(self.num)) ## num 城市个数 对应染色体长度  =14for i in range(self.size_pop):#size_pop  # 群体个数 200np.random.shuffle(rand_ch)#打乱城市染色体编码self.chrom[i, :] = rand_chself.fitness[i] = self.comp_fit(rand_ch)

计算单个染色体的路径距离值，可利用该函数更新self.fittness

 def comp_fit(self, one_path):res = 0for i in range(self.num - 1):res += self.matrix_distance[one_path[i], one_path[i + 1]] #matrix_distance n*n, 第[i,j]个元素表示城市i到j距离res += self.matrix_distance[one_path[-1], one_path[0]]#最后一个城市 到起点距离return res

子代选取，根据选中概率与对应的适应度函数，采用随机遍历选择方法

  def select_sub(self):fit = 1. / (self.fitness)  # 适应度函数cumsum_fit = np.cumsum(fit)#累积求和   a = np.array([1,2,3]) b = np.cumsum(a) b=1 3 6pick = cumsum_fit[-1] / self.select_num * (np.random.rand() + np.array(range(self.select_num)))#select_num  为子代选择个数 160i, j = 0, 0index = []while i < self.size_pop and j < self.select_num:if cumsum_fit[i] >= pick[j]:index.append(i)j += 1else:i += 1self.sub_sel = self.chrom[index, :]#chrom 父

交叉，依概率对子代个体进行交叉操作

 def cross_sub(self):if self.select_num % 2 == 0:#select_num160num = range(0, self.select_num, 2)else:num = range(0, self.select_num - 1, 2)for i in num:if self.cross_prob >= np.random.rand():self.sub_sel[i, :], self.sub_sel[i + 1, :] = self.intercross(self.sub_sel[i, :], self.sub_sel[i + 1, :])def intercross(self, ind_a, ind_b):#ind_a，ind_b 父代染色体 shape=(1,14) 14=14个城市r1 = np.random.randint(self.num)#在num内随机生成一个整数 ，num=14.即随机生成一个小于14的数r2 = np.random.randint(self.num)while r2 == r1:#如果r1==r2r2 = np.random.randint(self.num)#r2重新生成left, right = min(r1, r2), max(r1, r2)#left 为r1,r2小值 ，r2为大值ind_a1 = ind_a.copy()#父亲ind_b1 = ind_b.copy()# 母亲for i in range(left, right + 1):ind_a2 = ind_a.copy()ind_b2 = ind_b.copy()ind_a[i] = ind_b1[i]#交叉 （即ind_a  （1,14） 中有个元素 和ind_b互换ind_b[i] = ind_a1[i]x = np.argwhere(ind_a == ind_a[i])y = np.argwhere(ind_b == ind_b[i])"""下面的代码意思是 假如 两个父辈的染色体编码为【1234】，【4321】 交叉后为【1334】，【4221】交叉后的结果是不满足条件的，重复个数为2个需要修改为【1234】【4321】（即修改会来"""if len(x) == 2:ind_a[x[x != i]] = ind_a2[i]#查找ind_a 中元素=- ind_a[i] 的索引if len(y) == 2:ind_b[y[y != i]] = ind_b2[i]return ind_a, ind_b

变异模块

 # 变异模块  在变异概率的控制下，对单个染色体随机交换两个点的位置。def mutation_sub(self):for i in range(self.select_num):#遍历每一个 选择的子代if np.random.rand() <= self.cross_prob:#如果随机数小于变异概率r1 = np.random.randint(self.num)#随机生成小于num==14 的数r2 = np.random.randint(self.num)while r2 == r1:#如果相同r2 = np.random.randint(self.num)#r2再生成一次self.sub_sel[i, [r1, r2]] = self.sub_sel[i, [r2, r1]]#随机交换两个点的位置。

进化逆转

 # 进化逆转  将选择的染色体随机选择两个位置r1:r2 ，将 r1:r2 的元素翻转为 r2:r1 ，如果翻转后的适应度更高，则替换原染色体，否则不变def reverse_sub(self):for i in range(self.select_num):#遍历每一个 选择的子代r1 = np.random.randint(self.num)#随机生成小于num==14 的数r2 = np.random.randint(self.num)while r2 == r1:#如果相同r2 = np.random.randint(self.num)#r2再生成一次left, right = min(r1, r2), max(r1, r2)#left取r1 r2中小值，r2取大值sel = self.sub_sel[i, :].copy()#sel 为父辈染色体 shape=（1,14）sel[left:right + 1] = self.sub_sel[i, left:right + 1][::-1]#将染色体中(r1:r2)片段 翻转为（r2:r1)if self.comp_fit(sel) < self.comp_fit(self.sub_sel[i, :]):#如果翻转后的适应度小于原染色体，则不变self.sub_sel[i, :] = sel

子代插入父代，得到相同规模的新群体

 # 子代插入父代，得到相同规模的新群体def reins(self):index = np.argsort(self.fitness)[::-1]self.chrom[index[:self.select_num], :] = self.sub_sel

作者：电气-余登武

遗传算法求最短路径（旅行商问题）python实现相关推荐

python遗传算法最短路径问题有几种类型_遗传算法求最短路径 - osc_tn8uhjgi的个人空间 - OSCHINA - 中文开源技术交流社区...
实例描述配送中心数为 $1$,客户数 $k$为 $8$,车辆总数 $m$为 $2$:车辆载重皆为 $8$ 吨:各客户点需求为 $g(i = 1, 2, ... , 8)$(单位为吨),已知客户点与配 ...
python求函数极值_python 遗传算法求函数极值的实现代码
废话不多说,大家直接看代码吧! """遗传算法实现求函数极大值-Zjh""" import numpy as np import rando ...
python多元函数求解_使用遗传算法求二元函数的最小值
二元函数为y=x1^2+x2^2,x∈[-5,5] NIND=121; %初始种群的个数(Number of individuals) NVAR=2; %一个染色体(个体)有多少基因 PRECI=20 ...
Python实现遗传算法求函数最值
Python实现遗传算法求函数最值详细源代码:GA.py 1.算法过程图解 2.详细过程举例说明 (1)待求解方程 (2)确定编码方案主要是确定编码长度: def segment_length(s ...
Python遗传算法求一元函数最大值
Python遗传算法求一元函数最大值前言代码后记参考文献前言最近接触遗传算法,参考了众多例子,有些又不尽然对,所以自己边理解边修改,然后写出了下面这堆传说中的屎山... PS1:遗传算法原 ...
python基于广度优先（BFS）的迪杰斯特拉(Dijkstra)算法求最短路径
python深度优先与广度优先的遍历算法区别首先要理解搜索步,一个完整的搜索步包括两个处理: a) 获得当前位置上,有几条路可供选择 b) 根据选择策略,选择其中一条路,并走到下个位置广度优先:就 ...
迪杰斯特拉算法（Dijkstra）求最短路径Python
迪杰斯塔拉(Dijkstra)算法求最短路径序关于Dijkstra Dijkstra算法讲解 Dijkstra算法的弊端第一步:进行初始化第二步:主程序开始又是初始化核心的核心[^5] 最 ...
遗传算法求三元函数极值(python)-采用实数编码
遗传算法求三元函数极值(python)-采用实数编码想看二进制编码编码的博客地址在这遗传算法求三元函数极值(python)-采用二进制编码本文的遗传算法采用实数编码求三元函数极值所求函数为 ` ...
遗传算法求三元函数极值(python)-采用二进制编码
想看实数编码编码的博客地址遗传算法求三元函数极值(python)-采用实数编码 * 遗传算法求三元函数极值(python)-采用二进制编码本文的遗传算法采用二进制编码求三元函数极值所求函数为要 ...

遗传算法求最短路径（旅行商问题）python实现

遗传算法

代码

遗传算法求最短路径（旅行商问题）python实现相关推荐

最新文章

热门文章