用遗传算法解旅行商问题

　　旅行商问题（Travelling Salesman Problem，即TSP问题）是数学领域中著名问题之一。假设有一个旅行商人要拜访n个城市，他必须选择所要走的路径，路经的限制是每个城市只能拜访一次，而且最后要回到原来出发的城市。路径的选择目标是要求得的路径路程为所有路径之中的最小值。

 

　　TSP问题是一个组合优化问题，也是一个NP完全问题，使用通常的解法往往需要耗费大量的时间，不过我们也可以使用遗传算法，在较短的时间里找到一个可接受（不一定是最优）的解。

 

　　下面是我的代码，一共有三个文件。

 

　　1、TSP.py

# -*- coding: utf-8 -*- """TSP.py TSP问题 """ import sys import random import math import time import Tkinter import threading from GA import GA class MyTSP(object): "TSP" def __init__(self, root, width = 800, height = 600, n = 32): self.root = root self.width = width self.height = height self.n = n self.canvas = Tkinter.Canvas( root, width = self.width, height = self.height, bg = "#ffffff", xscrollincrement = 1, yscrollincrement = 1 ) self.canvas.pack(expand = Tkinter.YES, fill = Tkinter.BOTH) self.title("TSP") self.__r = 5 self.__t = None self.__lock = threading.RLock() self.__bindEvents() self.new() def __bindEvents(self): self.root.bind("q", self.quite) self.root.bind("n", self.new) self.root.bind("e", self.evolve) self.root.bind("s", self.stop) def title(self, s): self.root.title(s) def new(self, evt = None): self.__lock.acquire() self.__running = False self.__lock.release() self.clear() self.nodes = [] # 节点坐标 self.nodes2 = [] # 节点图片对象 for i in range(self.n): x = random.random() * (self.width - 60) + 30 y = random.random() * (self.height - 60) + 30 self.nodes.append((x, y)) node = self.canvas.create_oval(x - self.__r, y - self.__r, x + self.__r, y + self.__r, fill = "#ff0000", outline = "#000000", tags = "node", ) self.nodes2.append(node) self.ga = GA( lifeCount = 50, mutationRate = 0.05, judge = self.judge(), mkLife = self.mkLife(), xFunc = self.xFunc(), mFunc = self.mFunc(), save = self.save() ) self.order = range(self.n) self.line(self.order) def distance(self, order): "得到当前顺序下连线总长度" distance = 0 for i in range(-1, self.n - 1): i1, i2 = order[i], order[i + 1] p1, p2 = self.nodes[i1], self.nodes[i2] distance += math.sqrt((p1[0] - p2[0]) ** 2 + (p1[1] - p2[1]) ** 2) return distance def mkLife(self): def f(): lst = range(self.n) random.shuffle(lst) return lst return f def judge(self): "评估函数" return lambda lf, av = 100: 1.0 / self.distance(lf.gene) def xFunc(self): "交叉函数" def f(lf1, lf2): p1 = random.randint(0, self.n - 1) p2 = random.randint(self.n - 1, self.n) g1 = lf2.gene[p1:p2] + lf1.gene # g2 = lf1.gene[p1:p2] + lf2.gene g11 = [] for i in g1: if i not in g11: g11.append(i) return g11 return f def mFunc(self): "变异函数" def f(gene): p1 = random.randint(0, self.n - 2) p2 = random.randint(self.n - 2, self.n - 1) gene[p1], gene[p2] = gene[p2], gene[p1] return gene return f def save(self): def f(lf, gen): pass return f def evolve(self, evt = None): self.__lock.acquire() self.__running = True self.__lock.release() while self.__running: self.ga.next() self.line(self.ga.best.gene) self.title("TSP - gen: %d" % self.ga.generation) self.canvas.update() self.__t = None def line(self, order): "将节点按 order 顺序连线" self.canvas.delete("line") def line2(i1, i2): p1, p2 = self.nodes[i1], self.nodes[i2] self.canvas.create_line(p1, p2, fill = "#000000", tags = "line") return i2 reduce(line2, order, order[-1]) def clear(self): for item in self.canvas.find_all(): self.canvas.delete(item) def quite(self, evt): self.__lock.acquire() self.__running = False self.__lock.release() sys.exit() def stop(self, evt): self.__lock.acquire() self.__running = False self.__lock.release() def mainloop(self): self.root.mainloop() if __name__ == "__main__": MyTSP(Tkinter.Tk()).mainloop()

 

 

　　2、GA.py

# -*- coding: utf-8 -*- """GA.py 遗传算法类 """ import random from Life import Life class GA(object): def __init__(self, xRate = 0.7, mutationRate = 0.005, lifeCount = 50, geneLength = 100, judge = lambda lf, av: 1, save = lambda: 1, mkLife = lambda: None, xFunc = None, mFunc = None): self.xRate = xRate self.mutationRate = mutationRate self.mutationCount = 0 self.generation = 0 self.lives = [] self.bounds = 0.0 # 得分总数 self.best = None self.lifeCount = lifeCount self.geneLength = geneLength self.__judge = judge self.save = save self.mkLife = mkLife # 默认的产生生命的函数 self.xFunc = (xFunc, self.__xFunc)[xFunc == None] # 自定义交叉函数 self.mFunc = (mFunc, self.__mFunc)[mFunc == None] # 自定义变异函数 for i in range(lifeCount): self.lives.append(Life(self, self.mkLife())) def __xFunc(self, p1, p2): # 默认交叉函数 r = random.randint(0, self.geneLength) gene = p1.gene[0:r] + p2.gene[r:] return gene def __mFunc(self, gene): # 默认突变函数 r = random.randint(0, self.geneLength - 1) gene = gene[:r] + ("0", "1")[gene[r:r] == "1"] + gene[r + 1:] return gene def __bear(self, p1, p2): # 根据父母 p1, p2 生成一个后代 r = random.random() if r < self.xRate: # 交叉 gene = self.xFunc(p1, p2) else: gene = p1.gene r = random.random() if r < self.mutationRate: # 突变 gene = self.mFunc(gene) self.mutationCount += 1 return Life(self, gene) def __getOne(self): # 根据得分情况，随机取得一个个体，机率正比于个体的score属性 r = random.uniform(0, self.bounds) for lf in self.lives: r -= lf.score; if r <= 0: return lf def __newChild(self): # 产生新的后代 return self.__bear(self.__getOne(), self.__getOne()) def judge(self, f = lambda lf, av: 1): # 根据传入的方法 f ，计算每个个体的得分 lastAvg = self.bounds / float(self.lifeCount) self.bounds = 0.0 self.best = Life(self) self.best.setScore(-1.0) for lf in self.lives: lf.score = f(lf, lastAvg) if lf.score > self.best.score: self.best = lf self.bounds += lf.score def next(self, n = 1): # 演化至下n代 while n > 0: # self.__getBounds() self.judge(self.__judge) newLives = [] newLives.append(Life(self, self.best.gene)) # 将最好的父代加入竞争 # self.bestHistory.append(self.best) while (len(newLives) < self.lifeCount): newLives.append(self.__newChild()) self.lives = newLives self.generation += 1 #print("gen: %d, mutation: %d, best: %f" % (self.generation, self.mutationCount, self.best.score)) self.save(self.best, self.generation) n -= 1

 

 

　　3、Life.py

 # -*- coding: utf-8 -*- """Life.py 生命类 """ import random class Life(object): def __init__(self, env, gene = None): self.env = env if gene == None: self.__rndGene() elif type(gene) == type([]): self.gene = [] for k in gene: self.gene.append(k) else: self.gene = gene def __rndGene(self): self.gene = "" for i in range(self.env.geneLength): self.gene += str(random.randint(0, 1)) def setScore(self, v): self.score = v def addScore(self, v): self.score += v

 

 

　　运行TSP.py，即可开始程序。几个快捷键说明如下：

　　n: 开始新的计算（随机产生32个新的城市）

　　e: 开始进化

　　s: 停止

　　q: 退出

 

 

　　程序没有设置终止进化条件，进化一旦开始，如果不手动停止，会一直计算下去。

 

　　遗传算法主要是一种思想，并没有很具体的代码，在解决大多数问题时，最难解决的部分主要是编码（如何将问题转化为合适的方便操作的“基因”）、评价（如何评价各个“基因”的得分）部分。在本例中，我们将城市的顺序做为基因编码，路径总长度的倒数为基因的得分。这种做法不一定是最好的，不过是有效的。

 

 

　　下面是我运行时的一次截图：

 

　　

　　初始状态。

 

 

　　

　　第153代。

 

 

　　

　　第624代，可以看到，已经比初始状态好多了。

 

 

　　

　　第2331代，除了下方有一些交叉外，已经基本差不多了。

 

 

　　

　　第3710代，完成。