#初始化种群,随机生成
birdPop = [random.sample(range(len(CityCoordinates)),len(CityCoordinates))for i in range(birdNum)]
birdNum:100个粒子,这里代表100个list。
birdPop:100个list,每个list中包含30个城市,每个list随机生成。
#计算种群适应度
fits = [calFitness(birdPop[i] , dis_matrix) for i in range(birdNum)]
循环100次,得到每组粒子对应的sum,共100组数据。
/* #计算城市间距离(欧式距离)
dis_matrix = spatial.distance.cdist(CityCoordinates, CityCoordinates, metric = ‘eucliden’)
dis_matrix:分别得到以0-29的城市为起始点的距离。
def calFitness(line,dis_matrix)
input:line - road, dis_matrix -城市间距离矩阵
output: 路径距离 - dis_sum */
#全局最优值、当前最优值
gBest = pBest = min(fits)
#全局最优解、当前最优解(路径)
#根据min(fits)得到相应的birdPop中的最优路径
gLine = pLine = birdPop[fits.index(min(fits))]
#迭代开始(500次,每次有100组),得到全局最优解和全局最优路径
while iterI <= iterMax:
#从第一组开始,每次循环选取一组数据作为