遗传算法（GA算法）求解实例---旅行商问题 (TSP)

ymchuangke

已于 2024-09-21 09:28:19 修改

阅读量946

点赞数 24

分类专栏：从零开始学数学建模文章标签：算法数学建模 python 机器学习

于 2024-09-16 09:20:34 首次发布

本文链接：https://blog.csdn.net/qq_63913621/article/details/142298601

版权

从零开始学数学建模专栏收录该内容

24 篇文章 4 订阅

订阅专栏

一、采用GA求解 (TSP)

完整代码关注博客底部微信公众号获得！

求解代码在文中，后续会出其他算法求解TSP问题，你们参加数学建模竞赛只需要会改代码即可。

我知道大家对原理性的东西不感兴趣，我把原理性的东西放在后面，大家如果需要写数模论文可以拿去，但是记得需要改一改，要不然查重过不去。

二、旅行商问题

2.1 旅行商问题简介

旅行商问题（Travelling Salesman Problem, TSP） 是一个经典的组合优化问题，问题描述如下：

给定一组城市以及每对城市之间的距离，一个旅行商需要从某个城市出发，经过每个城市恰好一次，并最终回到起点城市。目标是找到一条总距离最短的旅行路线。

2.2 使用遗传算法解决 TSP

遗传算法是解决 TSP 问题的有效方法之一。它通过模拟自然进化过程（如选择、交叉、变异等）来逐步优化解，寻找最短路径。

2.2.1 遗传算法求解 TSP 的基本步骤

定义编码方式：
- 一个个体（即解）表示为一个城市序列。例如，假设有 5 个城市，用数字 0, 1, 2, 3, 4 表示，一个可能的解为 [0, 2, 4, 3, 1]，表示从城市 0 出发，依次经过城市 2, 4, 3, 1，最后回到城市 0。
定义适应度函数：
- 适应度函数用于评估每个个体的优劣。在 TSP 中，适应度通常定义为旅行总距离的倒数（因为我们希望最小化距离）。例如，个体的路径为 [0, 2, 4, 3, 1]，则其适应度为该路径总距离的倒数。
初始化种群：
- 随机生成一组解（路径），构成初始种群。种群中的每个个体表示一个可能的路径。
选择操作：
- 根据个体的适应度值，以一定的概率选择个体作为父代，用于生成下一代种群。适应度高的个体有更大的概率被选择。
交叉操作：
- 从父代中选取两个个体进行交叉操作，生成新的子代。例如，采用部分映射交叉（Partially Mapped Crossover, PMX）。
变异操作：
- 对新生成的个体（子代）进行随机变异，以增加解的多样性。例如，随机交换两个城市的位置。
生成新种群：
- 用子代替换父代，形成新的种群。
迭代和终止：
- 重复上述过程，直到达到预定的迭代次数或找到一个满意的解。

2.3 实际例子：求解 6 个城市的 TSP

假设有 6 个城市，其坐标如下：

城市	X 坐标	Y 坐标
0	10	20
1	30	40
2	20	10
3	40	30
4	10	10
5	50	20

目标是找到一个经过所有城市且总距离最短的路径。

1. 初始化种群

初始种群由一组随机生成的城市序列组成，例如：

个体 1: [0, 2, 4, 1, 5, 3]
个体 2: [1, 0, 3, 5, 4, 2]
个体 3: [3, 1, 0, 2, 4, 5]
…（假设种群大小为 100）

2. 计算适应度

对每个个体计算其路径总距离，例如：

个体 1 的路径 [0, 2, 4, 1, 5, 3]：
- 路径总距离 = 距离(0, 2) + 距离(2, 4) + 距离(4, 1) + 距离(1, 5) + 距离(5, 3) + 距离(3, 0)
- 假设计算得到路径总距离为 100，则适应度为 1/100 = 0.01。

3. 选择操作

采用轮盘赌选择法：根据适应度值的大小，随机选择适应度高的个体作为父代。

4. 交叉操作

采用部分映射交叉（PMX）：

父代 1: [0, 2, 4, 1, 5, 3]
父代 2: [1, 0, 3, 5, 4, 2]

选取交叉点（例如 2 和 4），交换基因片段后得到子代：

子代 1: [0, 2, 3, 5, 4, 3]
子代 2: [1, 0, 4, 1, 5, 2]

再根据父代保持路径唯一性调整得到合法子代：

调整后子代 1: [0, 2, 3, 5, 1, 4]
调整后子代 2: [1, 0, 3, 2, 5, 4]

5. 变异操作

对子代进行变异，例如随机交换子代 1 的城市位置 [5, 1]：

变异后子代 1: [0, 2, 3, 1, 5, 4]

6. 生成新种群

用子代替换种群中的劣质个体，形成新的种群。

7. 迭代与终止

重复上述步骤，迭代进行进化，直到达到预定的迭代次数或找到最短路径。

三、采用GA求解TSP，代码（完整代码关注底部微信公众号获取）

3.1 求解该问题的代码

import numpy as np
import random

# 定义城市坐标
cities = np.array([
    [10, 20],
    [30, 40],
    [20, 10],
    [40, 30],
    [10, 10],
    [50, 20]
])


# 计算两城市之间的欧几里得距离
def calculate_distance(city1, city2):
    return np.sqrt(np.sum((city1 - city2) ** 2))


# 计算总旅行距离
def total_distance(path):
    distance = 0
    for i in range(len(path) - 1):
        distance += calculate_distance(cities[path[i]], cities[path[i + 1]])
    distance += calculate_distance(cities[path[-1]], cities[path[0]])  # 回到起点
    return distance




# 运行遗传算法
best_path, best_distance = genetic_algorithm(cities)
print("Best path:", best_path)
print("Best distance:", best_distance)

3.2 代码运行过程截屏

在这里插入图片描述

3.3 代码运行结果截屏（后续和其他算法进行对比）

在这里插入图片描述

四、如何修改代码？

这一部分是重中之重，大家参加数学建模肯定是想跑出自己的结果，所以大家只需要把自己遇到的数学问题，抽象成TSP问题，然后修改代码的城市坐标，然后运行即可。

# 定义城市坐标
cities = np.array([
    [10, 20],
    [30, 40],
    [20, 10],
    [40, 30],
    [10, 10],
    [50, 20]
])

4.1 减少城市坐标，如下：

# 定义城市坐标
cities = np.array([
    [10, 20],
    [30, 40],
    [20, 10],
    [40, 30]
])

4.2 增加城市坐标，如下：

# 定义城市坐标
cities = np.array([
    [10, 20],
    [30, 40],
    [20, 10],
    [40, 30],
    [30, 40],
    [20, 10],
    [10, 10],
    [50, 20]
])

五、遗传算法 (Genetic Algorithm, GA) 原理

5.1 GA算法定义

遗传算法 (Genetic Algorithm, GA) 是一种基于自然选择和遗传机制的随机搜索和优化方法，由 John Holland 在 20 世纪 70 年代提出。遗传算法通过模拟自然界生物的进化过程（如遗传、选择、交叉、变异等）来搜索解空间，从而找到问题的最优解。它常用于复杂的优化问题和求解计算难题。

5.2 GA算法的基本思想

遗传算法的核心思想是模拟达尔文进化论的“自然选择，适者生存”原理。在遗传算法中，候选解被表示为“个体”，多个个体组成一个“种群”。通过对种群中的个体进行复制、交叉、变异等操作，算法在搜索空间内不断迭代，逐步进化出接近最优解的结果。

遗传算法主要包括以下几个步骤：

初始化种群：随机生成一定数量的个体作为初始种群，每个个体表示一个可能的解。
适应度评估：根据适应度函数（目标函数）评估每个个体的优劣，适应度值越高表示个体越优。
选择操作：根据个体的适应度值，以一定的概率选择个体作为父代，以生成下一代种群。适应度高的个体有更大的概率被选择。
交叉操作：通过交换两个个体（父母）的部分基因（染色体片段），生成新的个体（子代）。这模拟了生物的繁殖过程。
变异操作：随机改变个体的部分基因，以增加种群的多样性，避免陷入局部最优解。
生成新种群：用选择、交叉和变异操作产生的新个体替代旧种群，并重复步骤 2 到 5，直到满足终止条件（如达到最大迭代次数或找到最优解）。

5.3 GA算法的工作流程

遗传算法的典型工作流程如下：

初始化种群：随机生成种群内的所有个体。
迭代进化：
- 计算适应度：评估种群中每个个体的适应度。
- 选择：根据适应度选择部分个体作为父代。
- 交叉：对子代进行交叉操作，生成新个体。
- 变异：对部分新个体进行变异操作。
- 更新种群：用新个体替代旧种群。
终止条件：如果满足终止条件（如达到最大迭代次数或找到满意解），输出结果；否则，返回第 2 步继续迭代。