利用百度地图API和群蚁算法，对TSP问题进行模拟与求解

前言

最近由于换了工作，期间也有反思和总结上家公司的得失，总觉得有什么事情当初可以完成或者完成得更好，其中TSP问题就是其中之一。当初在开发一个仓配系统的时候，有一个线路排程的需求，当时自己简单在纸上画了思路，发现求精确解算法复杂度是N!，所以去百度，发现了NPC问题的概念，但是一直以来都没有对这个问题好好研究过，最终只是选择了贪心算法这一求近似解的方案，正好这是我的第一篇博客，就拿这个“遗憾”开刀吧。

1、  利用百度地图API模拟TSP的各个城市点

1.1、 调用百度地图API解析经纬度

这里首先到百度地图API官网申请一个apiKey，调地址解析接口会使用到，其中地址解析接口的参数可以访问http://lbsyun.baidu.com/index.php?title=uri/api/web开查看，这里我先将它截图：

 

 

将示例中的url（这里的output我采用json）在浏览器中输入，会得到如下结果：

 

 

这里利用HttpRequest方法来调用地址解析接口，类似于爬虫，最后将结果反序列化为实体类，代码如下：

///地址解析结果的实体类

using System;
using System.Collections.Generic;
using System.Linq;
using System.Text;

namespace Entity.BaiduEntity
{
    public class MapInfo
    {
        public int Status { get; set; }
        public Result Result { get; set; }
}

public class Result
    {
        public Location Location { get; set; }
        public int Precise { get; set; }
        public int Confidence { get; set; }
        public string Level { get; set; }
    }

public class Location
    {
        public double Lng { get; set; }
        public double Lat { get; set; }
    }
}

 

///利用HttRequest调用API接口

using Entity.BaiduEntity;
using Newtonsoft.Json;
using System;
using System.Collections.Generic;
using System.IO;
using System.Linq;
using System.Net;
using System.Text;
using System.Web;

namespace BLL.BaiduMap
{
    public class BaiduApiHandle
    {
        public static MapInfo GetLngAndLat(string address) 
        {
            //自己到官网申请
            string apiKey = "申请到的apiKey";
            string postData = string.Format("address={0}&output={1}&ak={2}", address, "json", apiKey);
            string url = "http://api.map.baidu.com/geocoder/v2/";
            //string url = "http://api.map.baidu.com/geocoder/v2/?address=" + address + "&output=json&ak=" + apiKey;

            byte[] arrs = Encoding.GetEncoding("UTF-8").GetBytes(postData);
            
            HttpWebRequest request = (HttpWebRequest)System.Net.WebRequest.Create(url);
            request.Referer = url;
            request.UserAgent = "Mozilla/4.0 (compatible; MSIE 6.0; Windows NT 5.1; SV1; .NET CLR 2.0.50727; .NET CLR 3.0.04506.648; .NET CLR 3.0.4506.2152; .NET CLR 3.5.30729)";
            request.Accept = "*/*";
            request.Method = "Post";
            request.ContentLength = Convert.ToInt64(arrs.Length.ToString());
            request.ContentType = "application/x-www-form-urlencoded";

            Stream reqstream = request.GetRequestStream();
            reqstream.Write(arrs, 0, arrs.Length);
            request.Timeout = 30 * 1000;//每一个请求30秒延迟，超过30秒不予操作。

            WebResponse wResp = request.GetResponse();
            Stream respStream = wResp.GetResponseStream();
            StreamReader reader = new StreamReader(respStream, Encoding.GetEncoding("UTF-8"));

            string result = reader.ReadToEnd();

            reqstream.Dispose();
            respStream.Dispose();
            reader.Dispose();

            MapInfo mapInfo = JsonConvert.DeserializeObject<MapInfo>(result); //因为output参数是json，所以这里用Newtonsoft.Json进行反序列化
            return mapInfo;
        }
    }
}

 

 

 

1.2、利用经纬度计算两个地址间的距离

其实这个网上有大量雷同的计算方法，但是这个方法是我很久以前引用过来的，原出处已经翻不到了，只好在这里点出此算法非我原创，若有幸让原作者看到，请通知我注明出处。这里我先简单的介绍一下算法思路，以地球的球心作为坐标系原点作一个三维坐标系，如图：

 

其中坐标A(x1,y1,z1)，坐标B(x2,y2,z2)，注意一下，其中x=r*sinɵ*cosɸ,y=r* r*sinɵ*sinɸ,z=r*cos ɵ,这里将角度转化为π来计算，让经纬度*π/180，那么坐标点在北纬时：ɵ=π/2-纬度*π/180；坐标点在南纬时：ɵ=π/2+纬度*π/180；坐标点在西经时：ɸ=π*2-经度*π/180；这个换算完成后，就可以通过给(x1-x2)^2+(y1-y2)^2+(z1-z2)^2开方计算出两点间的直线距离d，然后通过余弦定理求两点之间的夹角，最后计算出两点之间的球面距离，代码如下：

using System;
using System.Collections.Generic;
using System.Linq;
using System.Text;

namespace BLL.BaiduMap
{
    public class DistinceCalculate
    {
        private static double EARTH_RADIUS = 6378137;//赤道半径(单位m)  
        public static double LantitudeLongitudeDist(double lon1, double lat1, double lon2, double lat2)
        {
            double radLat1 = rad(lat1);
            double radLat2 = rad(lat2);

            double radLon1 = rad(lon1);
            double radLon2 = rad(lon2);

            if (radLat1 < 0)
                radLat1 = Math.PI / 2 + Math.Abs(radLat1);// south  
            if (radLat1 > 0)
                radLat1 = Math.PI / 2 - Math.Abs(radLat1);// north  
            if (radLon1 < 0)
                radLon1 = Math.PI * 2 - Math.Abs(radLon1);// west  
            if (radLat2 < 0)
                radLat2 = Math.PI / 2 + Math.Abs(radLat2);// south  
            if (radLat2 > 0)
                radLat2 = Math.PI / 2 - Math.Abs(radLat2);// north  
            if (radLon2 < 0)
                radLon2 = Math.PI * 2 - Math.Abs(radLon2);// west  
            double x1 = EARTH_RADIUS * Math.Cos(radLon1) * Math.Sin(radLat1);
            double y1 = EARTH_RADIUS * Math.Sin(radLon1) * Math.Sin(radLat1);
            double z1 = EARTH_RADIUS * Math.Cos(radLat1);

            double x2 = EARTH_RADIUS * Math.Cos(radLon2) * Math.Sin(radLat2);
            double y2 = EARTH_RADIUS * Math.Sin(radLon2) * Math.Sin(radLat2);
            double z2 = EARTH_RADIUS * Math.Cos(radLat2);

            double d = Math.Sqrt((x1 - x2) * (x1 - x2) + (y1 - y2) * (y1 - y2) + (z1 - z2) * (z1 - z2));
            //余弦定理求夹角  
            double theta = Math.Acos((EARTH_RADIUS * EARTH_RADIUS + EARTH_RADIUS * EARTH_RADIUS - d * d) / (2 * EARTH_RADIUS * EARTH_RADIUS));
            double dist = theta * EARTH_RADIUS;
            return dist;
        }
        
        private static double rad(double d)
        {
            return d * Math.PI / 180.0;
        }  
    }
}

 

 

 

2、  通过群蚁算法求最短路径的近似解

关于群蚁算法，网上的介绍也有很多，不过偷下懒，只关注了C#的实现，这里参考的是园子里数据之巅的群蚁算法理论与实践全攻略——旅行商等路径优化问题的新方法 ，我就指出我对这篇文章理解起来比较费力的几点吧。

（1）这里的轮盘赌注法是遗传算法的一种思路，即通过产生一个随机数来选择下一个访问的城市，可以把0.081、0.74、0.18视为[0,0.081]，[0.081,0.821]，[0.821,1]这么三个区间，然后产生一个0到1的随机数（保留两位有效小数），当这个随机小数属于区间[0,0.081]时，选择城市B，属于[0.081,0.821]时，选择城市C，属于[0.821,1]时，选择城市D。这里是对群蚁算法的一种优化，优化方式有多种，可以自行查阅资料。

 

（2）代码处关于List的深复制

 

这个原作者没有给出实现，我用拓展方法实现了一下，代码如下：

using System.IO;
using System.Linq;
using System.Reflection;
using System.Text;
using System.Xml.Serialization;

namespace Entity
{
    public static class ExpandClass 
    {
        public static List<T> DeepCopy<T>(this List<T> list) 
        {
            return DeepCopyWithXmlSerializer(list);
        }        

        // 利用XML序列化和反序列化实现
        private static T DeepCopyWithXmlSerializer<T>(T obj)
        {
            object retval;
            using (MemoryStream ms = new MemoryStream())
            {
                XmlSerializer xml = new XmlSerializer(typeof(T));
                xml.Serialize(ms, obj);
                ms.Seek(0, SeekOrigin.Begin);
                retval = xml.Deserialize(ms);
                ms.Close();
            }

            return (T)retval;
        }
        //public object Clone() 
        //{
        //    return this.MemberwiseClone();
        //}
    }
}

 

 

（3）贪心算法的实现

 

这个原作者也没有给出，于是我自己实现了一下（可能在时间和空间复杂调用上有很大缺陷，这个的优化工作本人暂不处理，大家有兴趣的可以自己实现），代码如下：

private double GreedyAlgorithm() 
        {
            double sumDistince = 0;
            //用于存储已经走过的路径，Key为当前出发点，Value为目的地
            Dictionary<int, int> edge = new Dictionary<int, int>();            
            int tempArr1 = 0;
            int tempArr2 = 0;
            
            double min = 0;
            while (edge.Count < NCity - 1)
            {
                #region 初始化起点与下一个到达点，从0开始出发
                if (edge.Count < 1)
                {
                    min = Distance[0, 1];
                }
                else
                {
                    for (int i = 0; i < NCity; i++)
                    {
                        if (!edge.ContainsKey(i) && Distance[tempArr1, i] != 0)
                        {
                            min = Distance[tempArr1, i];
                            tempArr2 = i;
                            break;
                        }
                    }
                }
                #endregion
                for (int j = 0; j < NCity; j++)
                {
                    //搜索当前地到下一目的地的最短距离
                    if (Distance[tempArr1, j] != 0 && Distance[tempArr1, j] < min && !edge.ContainsKey(j))
                    {
                        min = Distance[tempArr1, j];                        
                        tempArr2 = j;
                    }
                }
                if (min == this.Distance[0, 1]) 
                {
                    tempArr2 = 1;
                }
                edge.Add(tempArr1, tempArr2);
                tempArr1 = tempArr2;
                sumDistince += min;
            }
            sumDistince += Distance[tempArr2, 0];
            return sumDistince;
        }

 

整个群蚁算法的代码基本沿用了原作者的代码，没有什么改变，所以就不贴整套的了。

 

3、 测试代码：

using BLL.BaiduMap;
using Entity.ACO;
using Entity.BaiduEntity;
using System;
using System.Collections.Generic;
using System.Linq;
using System.Text;

namespace OptimalTrack
{
    class Program
    {
        static void Main(string[] args)
        {            
            string[] address = new string[] { "上海市徐汇区", "上海市闵行区", "上海市奉贤区", "上海市普陀区", "上海市静安区", "上海市长宁区" };
            double[,] distinces = InitDistinces(address);
            BaseTspAntSystem tsp = new BaseTspAntSystem(distinces, 10, 1, 2, 0.5, 10);
            tsp.TspSolution();
            foreach (Ant ant in tsp.PlanList) 
            {
                Console.WriteLine("------------------");
                string path = string.Empty;
                int current = 0;
                foreach (var item in ant.Edge) 
                {
                    if (current == 0)
                    {
                        path += item.Key + "->" + item.Value + "->";
                    }
                    else if(current>0&&current<ant.Edge.Count-1)
                    {
                        path += item.Value + "->";
                    }
                    else 
                    {
                        path += item.Value;
                    }
                    current++;
                }
                Console.WriteLine("路径：" + path);
                Console.WriteLine("------------------");
            }
        }

        private static double[,] InitDistinces(string[] address) 
        {
            double[,] distinces = new double[address.Length, address.Length];
            MapInfo[] mapInfos = new MapInfo[address.Length];
            for (int i = 0; i < address.Length; i++) 
            {
                mapInfos[i] = BaiduApiHandle.GetLngAndLat(address[i]);
            }
            for (int j = 0; j < address.Length; j++) 
            {
                for (int k = 0; k < address.Length; k++) 
                {
                    if (j == k) 
                    {
                        distinces[j, k] = 0;
                    }
                    else 
                    {
                        distinces[j, k] = DistinceCalculate.LantitudeLongitudeDist(mapInfos[j].Result.Location.Lng, mapInfos[j].Result.Location.Lat, mapInfos[k].Result.Location.Lng, mapInfos[k].Result.Location.Lat);
                    }
                }
            }
            return distinces;
        }

        private static void DisplayAddress() 
        {
            MapInfo mapInfo = BaiduApiHandle.GetLngAndLat("上海市徐汇区");
            Console.WriteLine("状态码：" + mapInfo.Status);
            Console.WriteLine("经度：" + mapInfo.Result.Location.Lng);
            Console.WriteLine("纬度：" + mapInfo.Result.Location.Lat);
            Console.WriteLine("精确度：" + mapInfo.Result.Confidence);
        }
    }
}

 

 

运行结果：

 

 

这里注意调整BaseTspAntSystem类构造方法的参数，信息素越强（参数a），即能见度越高，收敛性越强，得到的结果路径就越单一，精确性会差一些，大家可以自己调整下参数观察不同的结果。

4、 总结

这里基本上是在收集别人的代码和成果来解决自己的问题，文章引用的大部分也都是别人的代码，但重点是，一定要自己一点点的理解和尝试。

参考资料：

【1】新浪博客，吴超，根据两点经纬度计算距离【转】；

【2】博客园，数据之巅，群蚁算法理论与实践全攻略——旅行商等路径优化问题的新方法；

【3】网易博客，蚁群优化算法ACO  ；

【4】博客园，柠檬雨，Evolutionary Computing: 遗传算法_轮盘赌选择（转载）；

【5】博客园，Learning hard， [C#进阶系列]专题一：深入解析深拷贝和浅拷贝；

转载于:https://www.cnblogs.com/BradPitt/p/7526498.html