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