TSPのGAソリューション
遺伝的アルゴリズム
ブログを最大化するための遺伝的アルゴリズムの前に書かれた、TSPのためのコードを解くことについての記録に入ることはありません。
アルゴリズムは非常に単純で、唯一の注意点は、問題を定義する方法である、交叉オペレータ、突然変異オペレータやフィットネス機能が言いました。
水、あまりにも眠い学校の先生、聞いて、書き込み-
問題の表現
アクセスシーケンスは、3つのサンプルノードは、[2,1,0] IIは、ノード0が最後にアクセスされた、第1のアクセス・ノードとアクセスノード1を表すように、配列のセットによって表すことができる、配列のセットによって表されます。
したがって直接np.random.shuffle（np.arange（n））をサンプルのサンプルを生成する生成することができます。
クロスオーバー
この問題は、このような配列[2,1,3,4,0]と配列[1,2,3,4,0] 0〜3の間の位置で交差するような2つの配列間の交差点に関するしかし、直接交換は、重複する番号の交換をサンプルにつながるので、私が設計したときに、直接これらの場所をシャッフルすることができます。
本質的に交差実装していないが、クロスの重要性は、実際には、両方の良い遺伝子の存在が保持され、ランダムに選択された場所が良い遺伝子であってもよいし、なくてもよく、良好な遺伝子の相互交換により、私は実際には、この操作は、ローカルと同等です変異が良くない場合には変動が、親を維持しながら、それは、親の局所的な変化のために良いですが、外に排除されます。が、デザインは非常に良いではありませんが、結果は仕事でした。
突然変異オペレータ
突然変異オペレータがより良い実装され、ランダムに選択された間隔は、ランダム配列間隔で破壊することができます。
コーディング
import numpy as np
class GA(object):
def __init__(self,cities,num_iters = 250):
self.cities = cities
self.num_iters = num_iters
init_number = 500
n = self.cities.shape[0]
self.weight = np.tile(np.arange(n)[np.newaxis,:],[init_number,1]) # 种群初始化数量为100个个体
for i in range(n):
np.random.shuffle(self.weight[i])
self.distance = np.zeros((n,n))
for i in range(n):
for j in range(n):
self.distance[i,j] = np.linalg.norm(self.cities[i] - self.cities[j])
def solve(self):
for iter in range(self.num_iters):
n = self.weight.shape[0]
w = [self.fitness(self.weight[i]) for i in range(n)]
print(sum(w) / len(w))
w/= sum(w)
probablity = [sum(w[:i+1]) for i in range(len(w))]
new_x = []
for _ in range(n):
p = np.random.random()
for j in range(n):
if j ==0:
if p >=0 and p <= probablity[j]:
temp = self.weight[j].copy()
q = np.random.random()
if q > 0.4:
self.variation(temp)
new_x.append(temp)
break
else:
if p >= probablity[j-1] and p <= probablity[j]:
temp = self.weight[j].copy()
q = np.random.random()
if q > 0.4:
self.variation(temp)
new_x.append(temp)
break
fm = sorted(new_x,key = lambda x:self.fitness(x))[0:2]
new_x.extend(self.cross(fm[0],fm[1]))
self.weight = np.array(new_x)
result = sorted(self.weight.tolist(),key = lambda x:self.fitness(x))[-1]
print(result,1./self.fitness(result))
@staticmethod
def variation(x):
n = x.shape[0]
a = np.random.randint(0,n-1)
b = np.random.randint(0,n-1)
a,b = (b,a) if b<a else (a,b)
np.random.shuffle(x[a:b])
@staticmethod
def cross(x,y):
n = x.shape[0]
a = np.random.randint(0,n-1)
b = np.random.randint(0,n-1)
a,b = (b,a) if b<a else (a,b)
xx = x.copy()
yy = y.copy()
np.random.shuffle(xx[a:b])
np.random.shuffle(yy[a:b])
#xx[a:b],yy[a:b] = yy[a:b],xx[a:b]
return [xx,yy]
def fitness(self,x):
n = self.cities.shape[0]
fit = 0.
for i in range(n):
j = i+1 if i+1 <n else 0
fit += self.distance[x[i],x[j]]
return 1./fit
if __name__ == "__main__":
#cities = np.array([[0,0],[0,1],[1,0],[1,1]])
cities = np.array([[2,6],[2,4],[1,3],[4,6],[5,5],[4,4],[6,4],[3,2]])
# [2, 1, 0, 3, 5, 4, 6, 7] 16.084259940083065
solver = GA(cities)
#print(1./solver.fitness(np.array([1,2,0,3,5,4,6,7]))) # 17.246537600251443
#solver.solve()
結果
[2、1、0、3、5、4、6、7] 16.084259940083065
ホップフィールド感とネットワークが、実際には、各実行の結果は、私は、総距離は少し良く、これよりも、より良い14.714776642118863あり、また違いの場合よりもそこで実行されている走ったホップフィールド、同じではありません。4つのノードのような少ないランノードが、結果は絶対的に正しい、ノードは、もう少し不安定であってもよいです。（私は、はるかがあるのか分からないので、最小距離/）