无人机送药问题（用Python求解）

目录

 

        题目

        问题分析

        变量说明

        模型建立

        用python代码实现模型求解

---

 

题目

问题分析

这是一个旅行商问题。一架无人机，从起点出发，需要依次经过50个不同的地点，最后返回起点。每个地点分别位于不同的坐标位置，无人机有且仅能经过一次。需要求得最短的遍历路径。

给公司编号为 0，目标依次编号为 1，2，…，50。

距离矩阵，其中表示表示两点的距离， = 0,1,…,50这里D为实对称矩阵。则问题是求一个从点0出发，走遍所有中间点，到达点0的一个最短路径。

变量说明

符号	说明
	第i个地点的x坐标
	第i个地点的y坐标
	第i个地点与第j个地点的直线距离
	最优路线中经过的第i个城市

模型建立

用python代码实现模型求解

import numpy as np
import pandas as pd
from scipy import spatial
from matplotlib.ticker import FormatStrFormatter
import matplotlib.pyplot as plt
from sko.GA import GA_TSP
from sko.SA import SA_TSP
from sko.PSO import PSO_TSP


plt.rcParams['font.sans-serif'] = ['SimHei']
plt.rcParams['axes.unicode_minus'] = False


def cal_total_distance(routine):
    num_points, = routine.shape
    return sum([distance_matrix[routine[i % num_points], routine[(i + 1) % num_points]] for i in range(num_points)])
# 目标函数


num_points = 51  # 地点个数 算上起点总共51个点

data = pd.read_excel("data.xlsx")
df_0 = pd.DataFrame({'x坐标': [0], 'y坐标': [0]})
data = pd.concat([df_0, data], axis=0, ignore_index=True)

points_coordinate = np.zeros((51, 2))
for i in range(0, 51):
    points_coordinate[i][0] = data.loc[i][0]
    points_coordinate[i][1] = data.loc[i][1]

distance_matrix = spatial.distance.cdist(points_coordinate, points_coordinate, metric='euclidean')

# 遗传算法

ga_tsp = GA_TSP(func=cal_total_distance, n_dim=num_points, size_pop=50, max_iter=500, prob_mut=1)

best_points, best_distance = ga_tsp.run()

print('遗传算法求解的结果:')
print('最优路线:', best_points)
print('最短距离', best_distance)

fig, ax = plt.subplots(1, 2)
best_points_ = np.concatenate([best_points, [best_points[0]]])
best_points_coordinate = points_coordinate[best_points_, :]
ax[0].plot(ga_tsp.generation_best_Y)
ax[0].set_xlabel("迭代次数")
ax[0].set_ylabel("距离")
ax[0].set_title("遗传算法最优距离收敛图示")
ax[1].plot(best_points_coordinate[:, 0], best_points_coordinate[:, 1],
           marker='o', markerfacecolor='b', color='c', linestyle='-')
ax[1].xaxis.set_major_formatter(FormatStrFormatter('%.3f'))
ax[1].yaxis.set_major_formatter(FormatStrFormatter('%.3f'))
ax[1].set_xlabel("x坐标")
ax[1].set_ylabel("y坐标")
ax[1].set_title("遗传算法结果路线图示")
plt.tight_layout()
plt.show()

# 模拟退火算法

sa_tsp = SA_TSP(func=cal_total_distance, x0=range(num_points), T_max=100, T_min=1, L=10 * num_points)

best_points, best_distance = sa_tsp.run()

print('模拟退火算法求解的结果:')
print('最优路线:', best_points)
print('最短距离', best_distance)

fig, ax = plt.subplots(1, 2)
best_points_ = np.concatenate([best_points, [best_points[0]]])
best_points_coordinate = points_coordinate[best_points_, :]

ax[0].plot(sa_tsp.best_y_history)
ax[0].set_xlabel("迭代次数")
ax[0].set_ylabel("距离")
ax[0].set_title("模拟退火算法最优距离收敛图示")
ax[1].plot(best_points_coordinate[:, 0], best_points_coordinate[:, 1],
           marker='o', markerfacecolor='b', color='c', linestyle='-')
ax[1].xaxis.set_major_formatter(FormatStrFormatter('%.3f'))
ax[1].yaxis.set_major_formatter(FormatStrFormatter('%.3f'))
ax[1].set_xlabel("x坐标")
ax[1].set_ylabel("y坐标")
ax[1].set_title("模拟退火算法结果路线图示")
plt.tight_layout()
plt.show()

# 粒子群算法

pso_tsp = PSO_TSP(func=cal_total_distance, n_dim=num_points, size_pop=200, max_iter=800, w=0.8, c1=0.1, c2=0.1)

best_points, best_distance = pso_tsp.run()

print('粒子群算法求解的结果:')
print('最优路线:', best_points)
print('最短距离', best_distance)

fig, ax = plt.subplots(1, 2)
best_points_ = np.concatenate([best_points, [best_points[0]]])
best_points_coordinate = points_coordinate[best_points_, :]
ax[0].plot(pso_tsp.gbest_y_hist)
ax[0].set_xlabel("迭代次数")
ax[0].set_ylabel("距离")
ax[0].set_title("粒子群算法最优距离收敛图示")
ax[1].plot(best_points_coordinate[:, 0], best_points_coordinate[:, 1],
           marker='o', markerfacecolor='b', color='c', linestyle='-')
ax[1].xaxis.set_major_formatter(FormatStrFormatter('%.3f'))
ax[1].yaxis.set_major_formatter(FormatStrFormatter('%.3f'))
ax[1].set_xlabel("x坐标")
ax[1].set_ylabel("y坐标")
ax[1].set_title("粒子群算法结果路线图示")
plt.tight_layout()
plt.show()