简单代码实现遗传算法解决旅行商问题（TSP）的改进（python)

网上见过很多采用遗传算法解决旅行商问题（TSP，也译作：货郎担问题）的文章，本人经过实际尝试，发现大多效果不佳。为此本人经过思考，进行了如下几个改进:

1、充分利用Python的numpy库，尽量采用numpy数组运算，避免人工循环造成过多的硬件开销。

2、编码。一般认为TSP问题的解是一个环，可以直接采用经过的城市代码为编码。但是这就忽视了，同一个解因为出发城市的不同和行进方向的不同，可以有多种(最多为城市数的2倍)序列表示形式。遗传算法恰恰对是以码为基因，如此则会极大干扰进化进程。为此对每个解都要进行清洗：强制规定0号城市为出发点，1号城市位于前半程。这样，除了极端情况（城市数量为偶数，并且1号城市恰好位于半程，也仅有2种表示）以外，都能保证同一个解只有一种表达形式。

3、简单地采用 适应度=1/（本次解的总路程-已知最总短路程+很小的正的常数），即可实现动态自适应的适应度函数，避免适应度的区分度过小的问题。极大增加接近已知最优的解的选择概率。

4、使用简单的np函数，既实现了轮盘赌选择（淘汰），又实现了最优个体保留，还实现了外来基因引入（故意对种群的基因进行污染）。

5、采用某段路程逆行的变异方式。网上文章多见采用两点互换变异，本人实践发现效果并不理想，往往导致原来已经形成的良好基因片段被打破。

6、动态确定进化终止代数。如果在接近预先确定的终止代数的时候发现更好的解，则自动延长进化代数。（由于代码和算法已经优化，硬件开销完全能够承受）。

经上述优化后，代码运行效率高，计算结果好。计算dantzig42问题时，多次得到最优解699。而且，对于初始种群没有特别要求，即便人为给与一个已经全部为最大值（最劣）的种群，也不会过早地收敛到比较差的解。

需要说明：上述的改进，全部都是针对称旅行商问题（STSP）的，对于非对称旅行商问题（ATSP），上述第2点改进不能使用，第5点改进不建议使用。

顺便说一句：crossover翻译成“杂交”更为妥帖，因为这个词本来就有“杂交育种”的意思。

附代码：

import numpy as np

#准备工作
#读取城市矩阵，提前计算成numpy.array形式，并保存在distance_matrix.npy
distance_matrix=np.load(r'distance_matrix.npy')

global city_num#城市数为全局变量
city_num=len(distance_matrix)

#计算一个解的总路程函数
def distance_total(route):
    return distance_matrix[route[np.arange(-1,city_num-1)],route].sum()

#解的清洗：规定0在出发位，1在前半程，避免同一路径的不同形式之间相互干扰。对于ATSP问题，仅能规定出发点，不能规定方向。
def wash_route(route):
    one_loc=np.argwhere(route==1)[0,0]
    zero_loc=np.argwhere(route==0)[0,0]
    if (one_loc-zero_loc)%city_num<=city_num//2:
        return np.append(route[zero_loc:],route[:zero_loc])
    else:
        return np.append(route[zero_loc::-1],route[:zero_loc:-1])

#遗传算法
global population,best_route,best#种群规模、当前最佳路径及对应距离为全局变量
population=city_num+city_num%2#必须为偶数，推荐取值=city_num或+1
best_route=wash_route(np.random.permutation(city_num))#初始最佳路径，随机设定
best=distance_total(best_route)#初始最优路程

#随机产生一组解(初始种群)
def species_random(population1=population):
    species=wash_route(best_route)
    for i in range(population1-1):
        species=np.vstack([species,wash_route(np.random.permutation(city_num))])#隐含现行最优解在第一位置，适应度与此有关
    return species

#选择（淘汰）
def choice(species,result):
    fit=1/(result-best+1)#转化为适应度
    choice_probality=fit/sum(fit)
    chosen=species[np.random.choice(a=np.arange(population),size=population-3,p=choice_probality)]#选中的个体
    return np.vstack((wash_route(np.random.permutation(city_num)),chosen,species[result.argmin()],best_route))

#杂交
def crossover(species,n=22):
    species=np.vstack([np.hstack([species[::2,:n],species[1::2,n:]]),np.hstack([species[1::2,:n],species[::2,n:]])])#每一个与下一个进行杂交
    for route in species:
        np.place(route[1:n],np.ma.in1d(route[1:n],route[n:],assume_unique=True,invert=False),np.setdiff1d(np.arange(city_num),route,assume_unique=True))
    return species

#变异，按种群
def mutate(species,p=0.1):
    chosen=np.random.random(size=population)<p#选中的变异个体
    mut_locs=np.random.randint(1,city_num,size=2)#变异点位
    while mut_locs[0]==mut_locs[1]:
    	mut_locs=np.random.randint(1,city_num,size=2)#如果两点相同，重选	
    species[chosen,mut_locs[0]:mut_locs[1]+1]=species[chosen,mut_locs[1]:mut_locs[0]-1:-1]#两城之间路径逆转，解STSP问题时推荐使用，解ATSP问题时不建议使用
    return np.apply_along_axis(wash_route,1,species)

#主程序
species=species_random(population)#初始种群，随机产生
#开始运算
i,i_max=0,2000
while i<i_max:
    result=np.apply_along_axis(distance_total,axis=1,arr=species)#计算本种群各解的总路程
    if min(result)<best:#发现更优解
        best=min(result)
        best_route=species[result.argmin()]
        i_max=max(i_max,i+1000)#在后期发现更优解，增加迭代次数
        print(r"%.2f"%best,i+1)
    species=choice(species,result)#淘汰
    species=crossover(species,n=np.random.randint(1,city_num//2))#杂交
    species=mutate(species,p=0.3)#变异
    i+=1
print(r"%.2f"%best,best_route,i)
#不含绘图