記事のディレクトリ
TSPの問題
解決するために、遺伝的アルゴリズムを使用する前に：問題は、大きな価値を求めている多項式。この質問は、あまりにも簡単で、今、私たちは、巡回セールスマン問題についてのより困難な問題に対処する必要が--TSP
問題の説明
-
巡回セールスマン問題TSP、巡回セールスマン問題
-
-
同じコストにAからBへBにAへのセールスマンと費用ならば、我々は対称巡回セールスマン問題（対称Travelinigセールスマン問題（STSP））を呼び出します
-
一方、非対称巡回セールスマン問題であるATSP
-
それは、古典的なNP困難な問題であることをTSPの問題、それが最適解が存在しなければならない見つけることができるという特殊性（時間に網羅することにより、最適な解決策を見つけるようにしてください）が、計算の複雑さの点で好ましいです。このように迅速かつ効率的にTSPの最適解を見つけることは魅力的な問題が残っています。
-
実用的な面では、抽象的に簡略化物流スケジューリング、輸送計画、最適化、などのチップの配線の問題と考えることができます。
コードの簡潔
def genCity(n,LB=100,Ub=999):
np.random.seed(42)
return np.random.randint(low = Lb,high = Ub,size(n,2))結果：
def cityDistance(cities):
return distance.cdist(cities,cities,'euclidean')結果：
def completeRoute(individual):
return individual + [individual[0]]この機能は、completeRouteを示すために使用されます。最後のセールスマンは、都市の最初で開始に返す必要があります。
この方法は、TSPの問題に対する最適なソリューションではありませんから出てくることを忘れないでください、多くの方法がたくさんありますが、私はTSPを説明するために、特別なブログ記事を書きます
ボーエンは便利な感じ、賞賛の聖歌を指します
全体のコード（コンビニエンスコピー）
## 环境设置
import matplotlib.pyplot as plt
import numpy as np
%matplotlib inline
from scipy.spatial import distance
from deap import creator, base, tools, algorithms
import random
params = {
'font.family': 'serif',
'figure.figsize': [4.0, 3.0],
'figure.dpi': 300,
'savefig.dpi': 300,
'font.size': 12,
'legend.fontsize': 'small'
}
plt.rcParams.update(params)
#--------------------------------
## 定义TSP中的基本元素
# 用[n,2]的np.array存储城市坐标；每行存储一个城市
def genCity(n, Lb = 100 ,Ub = 999):
# 生成城市坐标
# 输入：n -- 需要生成的城市数量
# 输出: nx2 np array 每行是一个城市的[X,Y]坐标
np.random.seed(42) # 保证结果的可复现性
return np.random.randint(low = Lb, high = Ub, size=(n,2))
# 计算并存储城市距离矩阵
def cityDistance(cities):
# 生成城市距离矩阵 distMat[A,B] = distMat[B,A]表示城市A，B之间距离
# 输入：cities -- [n,2] np array， 表示城市坐标
# 输出：nxn np array， 存储城市两两之间的距离
return distance.cdist(cities, cities, 'euclidean')
def completeRoute(individual):
# 序列编码时，缺少最后一段回到原点的线段
return individual + [individual[0]] # 不要用append
# 计算给定路线的长度
def routeDistance(route):
# 输入：
# route -- 一条路线，一个sequence
# 输出：routeDist -- scalar，路线的长度
if route[0] != route[-1]:
route = completeRoute(route)
routeDist = 0
for i,j in zip(route[0::],route[1::]):
routeDist += cityDist[i,j] # 这里直接从cityDist变量中取值了，其实并不是很安全的写法，单纯偷懒了
return (routeDist), # 注意DEAP要求评价函数返回一个元组
# 路径可视化
def plotTour(tour, cities, style = 'bo-'):
if len(tour)>1000: plt.figure(figsize = (15,10))
start = tour[0:1]
for i,j in zip(tour[0::], tour[1::]):
plt.plot([cities[i,0],cities[j,0]], [cities[i,1],cities[j,1]], style)
plt.plot(cities[start,0],cities[start,1],'rD')
plt.axis('scaled')
plt.axis('off')
#--------------------------------
## 设计GA算法
nCities = 30
cities = genCity(nCities) # 随机生成nCities个城市坐标
# 问题定义
creator.create('FitnessMin', base.Fitness, weights=(-1.0,)) # 最小化问题
creator.create('Individual', list, fitness=creator.FitnessMin)
# 定义个体编码
toolbox = base.Toolbox()
toolbox.register('indices', random.sample, range(nCities), nCities) # 创建序列
toolbox.register('individual', tools.initIterate, creator.Individual, toolbox.indices)
# 生成族群
N_POP = 100
toolbox.register('population', tools.initRepeat, list, toolbox.individual)
pop = toolbox.population(N_POP)
# 注册所需工具
cityDist = cityDistance(cities)
toolbox.register('evaluate', routeDistance)
toolbox.register('select', tools.selTournament, tournsize = 2)
toolbox.register('mate', tools.cxOrdered)
toolbox.register('mutate', tools.mutShuffleIndexes, indpb = 0.2)
# 数据记录
stats = tools.Statistics(key=lambda ind: ind.fitness.values)
stats.register('avg', np.mean)
stats.register('min', np.min)
# 调用内置的进化算法
resultPop, logbook = algorithms.eaSimple(pop, toolbox, cxpb = 0.5, mutpb = 0.2, ngen = 200, stats = stats, verbose = True)結果は（重要でありません）
gen nevals avg min
0 100 14176.2 11493.3
1 64 13910.9 11978.5
2 57 13541 10887.5
3 62 13412.6 11239.2
4 57 13216.1 10838.4
5 52 12978 10946.4
6 69 12869.9 10835.5
7 53 12758 11159.4
8 60 12583.8 11159.4
9 53 12650.3 11159.4
10 62 12552.8 10144.1
11 64 12515.9 10144.1
12 57 12362.6 10144.1
13 63 11992 10144.1
14 66 11884 10144.1
15 53 11796.8 10144.1
16 57 11776.6 10144.1
17 51 11746.5 10144.1
18 48 11537.4 10144.1
19 59 11437.6 10144.1
20 58 11234 10144.1
21 57 11000.2 10083.2
22 56 11078.9 9630.29
23 72 10949.4 9580.21
24 64 11049.6 9518.98
25 67 10902.3 9453.88
26 62 10668.6 9453.88
27 73 10742.1 9404.84
28 59 10794.2 9107.71
29 64 10441.8 9107.71
30 61 10436.8 9107.71
31 58 10601.1 9107.71
32 58 10575.8 9107.71
33 57 10638.7 9107.71
34 63 10602.3 9107.71
35 63 10520.9 9100.74
36 70 10647.6 8601.04
37 69 10613.3 8601.04
38 64 10361.7 8601.04
39 67 10315 8601.04
40 66 10533.4 8601.04
41 60 10305.4 8601.04
42 65 10413.1 8601.04
43 53 10147.9 8023.66
44 61 9946.89 8111.77
45 66 10206 8414.1
46 60 10322.8 8414.1
47 47 10175 8414.1
48 60 10112.6 8277.71
49 67 10158.7 8414.1
50 58 9868.8 8414.1
51 53 9914.54 8414.1
52 67 10175.3 8244.9
53 63 9668.28 7754.85
54 56 9698.52 8229.29
55 52 9800.86 8139.39
56 60 9852.75 8079.22
57 63 9720.71 7907.92
58 46 9371.5 7907.92
59 78 9840.35 7907.92
60 60 9786.13 7907.92
61 58 9611.86 7690.89
62 57 9620.83 7571.99
63 58 9602.33 7571.99
64 65 9710.81 7690.89
65 57 9721.93 7690.89
66 55 9532.58 7597.36
67 66 9726.2 7714.35
68 54 9606.91 7714.35
69 60 9694.29 7714.35
70 57 9506.47 7286.83
71 59 9606.73 7286.83
72 49 9542.94 7286.83
73 56 9515.44 7286.83
74 63 9650.51 7286.83
75 63 9520.09 7286.83
76 68 9594.92 7286.83
77 54 9540.16 7286.83
78 53 9176.14 7279.77
79 57 9009.16 7286.83
80 53 9147.02 7286.83
81 70 9256.52 7286.83
82 62 9488.51 7366.65
83 59 9608.51 7346.74
84 70 9749.23 7346.74
85 64 9782.13 7274.49
86 69 9534.5 7429.7
87 65 9658.88 7316.42
88 59 9453.71 7316.42
89 55 9235.11 7316.42
90 58 9385.07 7447.42
91 63 9310.27 7443.17
92 61 9653.86 7397.92
93 62 9433.39 7227.34
94 60 9377.12 7227.34
95 69 9246.4 7227.34
96 63 9355.57 7227.34
97 53 9305.01 7101.48
98 68 9295.37 7101.48
99 69 9665.86 7101.48
100 54 9414.28 7101.48
101 58 9155.82 7101.48
102 47 9126.21 7101.48
103 56 9044.02 7101.48
104 65 9155.81 7101.48
105 53 9026.01 7101.48
106 65 9015.49 7101.48
107 53 8863.79 7202.31
108 60 9144.37 7222
109 65 8718.15 7148.14
110 61 8601.87 7148.14
111 60 8672.55 7114.1
112 60 8477.34 6912.14
113 70 8395.44 6912.14
114 54 8521.13 6912.14
115 54 8417.96 6861.39
116 64 8545.9 6861.39
117 58 8766.21 6912.14
118 66 8887.49 6903.63
119 67 9013.49 6912.14
120 63 8664.06 6976.26
121 59 8823.91 6934.69
122 65 8717.36 6902.27
123 61 8651.38 6902.27
124 59 8782.75 6934.69
125 69 8785.51 6655.75
126 64 8377.19 6655.75
127 64 8556.06 6655.75
128 67 8392.15 6686.51
129 62 8600.26 6686.51
130 65 8784.4 6686.51
131 63 9243.02 6686.51
132 62 9145.37 6665.55
133 59 8683.87 6665.55
134 55 8666.97 6343.75
135 51 8738.7 6442.21
136 64 8720.62 6742.48
137 63 9024.09 6359.37
138 58 8891.69 6359.37
139 51 8463.8 6468.51
140 60 8285.75 6468.51
141 49 8393.2 6468.51
142 68 8436.04 6348.44
143 61 8541.49 6348.44
144 68 8579.33 6348.44
145 49 8198.65 6183.56
146 65 8382.85 6183.56
147 50 8132.53 6183.56
148 62 8617.13 6183.56
149 54 8389.52 6183.56
150 58 8251.35 6183.56
151 47 8209.13 6183.56
152 64 8274.1 6183.56
153 62 8439.32 6183.56
154 60 8411.04 6183.56
155 58 8281.42 6017.12
156 65 8382.98 6017.12
157 67 8668.16 6017.12
158 57 8337.28 6017.12
159 50 7883.74 6017.12
160 71 8589.04 6017.12
161 55 8107.54 6017.12
162 48 7643.62 6017.12
163 71 7879.85 6017.12
164 56 7815.24 5889.87
165 58 7985.76 6017.12
166 67 8255.71 5923.56
167 59 7882.04 5923.56
168 57 8067.33 6017.12
169 56 8383.83 5923.56
170 58 8251.27 6017.12
171 53 7677.3 6017.12
172 48 7769.81 6017.12
173 60 8220.91 6017.12
174 60 7938.42 5971.98
175 59 7686.54 5971.98
176 62 7856.47 5912.91
177 55 8111.19 5912.91
178 65 7818.76 5912.91
179 62 8043.08 5912.91
180 61 7949.82 5912.91
181 63 8281.78 5912.91
182 60 8377.56 5912.91
183 76 8506.39 5912.91
184 45 8017.97 5912.91
185 65 8571.77 5699.04
186 56 8243.96 5699.04
187 57 8299.26 5699.04
188 64 7988.19 5699.04
189 52 7762 5699.04
190 55 7980.38 5699.04
191 52 7704.22 5699.04
192 57 7763.54 5597.01
193 62 8239.91 5699.04
194 46 8091.76 5699.04
195 60 7915.62 5699.04
196 60 8099.47 5699.04
197 62 7898.96 5699.04
198 60 7979.38 6011.46
199 64 8236.56 5752.69
200 65 8273.31 5752.69