模拟退火算法与其python实现（二）——TSP问题

模拟退火算法与其python实现（二）——TSP问题

上一篇文章介绍了模拟退火算法的基本原理（模拟退火算法与其python实现(一)），这篇文章介绍一下模拟退火算法在数学建模中最常应用的一类问题——Traveling salesman problem,也就是旅行商问题，这类问题的描述如下：

 

一个旅行商从城市1 出发，需要到其它城市n去推销货物，最后返回城市1 。若任意两个城市间的距离已知，旅行商如何选择最佳行走路线？

 

这种问题也就是上篇提到的NP-hard问题中很典型的一类，如果使用枚举法，随着城市数目的增多，计算量将几何倍数的递增。那么，如何使用SA算法来求近似最优解呢，首先我们这个问题转化为数学模型：

设

 

 

我们所求即为函数Z的最小值，下面我们便使用python来构建TSP问题的SA模型并尝试求得近似最优解

首先导入问题数据并处理：

 

from __future__ import division
import pandas as pd
import utils
import numpy as np
import math
import matplotlib.pyplot as plt
citys=pd.read_table('./data/tsp100.txt',sep='\t',header=None)
citys.columns=['x']
citys['y']=None

for i in range(len(citys)):
    coordinate=citys['x'][i].split()
    citys['x'][i]=float(coordinate[0])
    citys['y'][i]=float(coordinate[1])

print citys.head(5)

其中:

1.string.split()可以剪切字符串，其用法如下：

接着看下数据长什么样