Python模拟退火求解最短路径

Python编程训练 模拟退火算法 TSP旅行商问题

题目：已知八个景点（1景石、2游客服务中心、3阳光草坪、4森林小剧场、5儿童科普体验区、6儿童戏水场、7湿地博物馆、8湿地商业街）两两之间的距离，求出从“景石”出发到“湿地商业街”，并且历经其他所有景点的最短路线，要求输出最短路线和最短距离。

思路：这个题目类似于旅行商问题（Traveling Salesman Problem，简称TSP），这是一种组合优化问题，主要求解路径最小值。此类问题可以描述为：给定一组城市和每对城市之间的距离，寻找一条最短的路线，使得旅行者访问每个城市恰好一次后返回起点（形成闭合回路）。而此题不太一样，本题规定起点与终点分别为“景石”、“湿地商业街”，找出最短路线和最短距离（单线）。考虑使用智能算法中的模拟退火算法。模拟退火算法（Simulated Annealing，SA）是一种启发式优化算法，灵感来源于固体退火过程中的原子运动。它通过模拟材料的退火过程，逐渐降低温度来减少系统的能量，从而寻找到全局最优解或近似最优解。

其中SA关键步骤包括：1.**初始化**：2.**生成新解**：3.**计算成本**：4.**接受新解**：5.**更新温度**：6.**终止条件**：（第一次使用CSDN不太会插入流程图）

Python代码如下：

# 必要的库
import numpy as np

# 距离矩阵
distance_matrix = [[  0 300 360 210 590 475 500 690]
                 [300   0 380 270 230 285 200 390]
                 [360 380   0 510 230 765 580 770]
                 [210 270 510   0 470 265 450 640]
                 [590 230 230 470   0 515 260 450]
                 [475 285 765 265 515   0 460 650]
                 [500 200 580 450 260 460   0 190]
                 [690 390 760 640 450 650 190   0]]
# 按照题意，定义一个生成指定序列的函数
def Splicing_array():
    # 生成1到6的随机排列
    random_numbers = np.random.permutation(6) + 1

    # 将0添加到数组的开始
    array_start = np.array([0])

    # 将7添加到数组的末尾
    array_end = np.array([7])

    # 合并数组
    result_array = np.concatenate((array_start, random_numbers, array_end))

    return result_array

# 计算距离的函数
def calculate_distance(route, distance_matrix):
    return sum(distance_matrix[route[i], route[i+1]] for i in range(len(route)-1))

# 模拟退火解决TSP问题
def simulated_annealing(distance_matrix, initial_temp=1000, cooling_rate=0.95, iterations=10000):
    n = 8
    current_route = Splicing_array()
    current_distance = calculate_distance(current_route, distance_matrix)
    
    for _ in range(iterations):
        new_route = Splicing_array()
        new_distance = calculate_distance(new_route, distance_matrix)
        
        if new_distance < current_distance or np.exp(-(new_distance - current_distance) / initial_temp) > np.random.rand():
            current_route = new_route
            current_distance = new_distance
        
        initial_temp *= cooling_rate
    
    return current_route, current_distance

# 运行，输出结果
route, distance = simulated_annealing(distance_matrix)
print("最短路线:", route + 1)  # +1 因为索引从0开始
print("最短距离:", distance)


### The code was compiled by Zeming ###