模拟退火算法_Python通过模拟退火算法求解旅行商问题(附代码)

模拟退火算法原理

模拟退火算法来源于固体退火原理，在数学建模中经常用到，其基本原理将固体加温至充分高，再让其徐徐冷却，加温时，固体内部粒子随温升变为无序状，内能增大，而徐徐冷却时粒子渐趋有序，在每个温度都达到平衡态，最后在常温时达到基态，内能减为最小。根据Metropolis准则，粒子在温度T时趋于平衡的概率为e(-ΔE/(kT))，其中E为温度T时的内能，ΔE为其改变量，k为Boltzmann常数。用固体退火模拟组合优化问题，将内能E模拟为目标函数值f，温度T演化成控制参数t，即得到解组合优化问题的模拟退火算法：由初始解i和控制参数初值t开始，对当前解重复“产生新解→计算目标函数差→接受或舍弃”的迭代，并逐步衰减t值，算法终止时的当前解即为所得近似最优解，这是基于蒙特卡罗迭代求解法的一种启发式随机搜索过程。退火过程由冷却进度表(Cooling Schedule)控制，包括控制参数的初值t及其衰减因子Δt、每个t值时的迭代次数L和停止条件S。

模拟退火算法的模型

1.模拟退火算法可以分解为解空间、目标函数和初始解三部分。

2.模拟退火的基本思想:

(1) 初始化：初始温度T(充分大)，初始解状态S(是算法迭代的起点)，每个T值的迭代次数L

(2) 对k=1, …, L做第(3)至第6步：

(3) 产生新解S′

(4) 计算增量ΔT=C(S′)-C(S)，其中C(S)为评价函数

(5) 若ΔT<0则接受S′作为新的当前解，否则以概率exp(-ΔT/T)接受S′作为新的当前解.

(6) 如果满足终止条件则输出当前解作为最优解，结束程序。

终止条件通常取为连续若干个新解都没有被接受时终止算法。

(7) T逐渐减少，且T->0，然后转第2步。

模拟退火算法的步骤

模拟退火算法新解的产生和接受可分为如下四个步骤：

第一步是由一个产生函数从当前解产生一个位于解空间的新解；为便于后续的计算和接受，减少算法耗时，通常选择由当前新解经过简单地变换即可产生新解的方法，如对构成新解的全部或部分元素进行置换、互换等，注意到产生新解的变换方法决定了当前新解的邻域结构，因而对冷却进度表的选取有一定的影响。

第二步是计算与新解所对应的目标函数差。因为目标函数差仅由变换部分产生，所以目标函数差的计算最好按增量计算。事实表明，对大多数应用而言，这是计算目标函数差的最快方法。

第三步是判断新解是否被接受,判断的依据是一个接受准则，最常用的接受准则是Metropolis准则: 若ΔT<0则接受S′作为新的当前解S，否则以概率exp(-ΔT/T)接受S′作为新的当前解S。

第四步是当新解被确定接受时，用新解代替当前解，这只需将当前解中对应于产生新解时的变换部分予以实现，同时修正目标函数值即可。此时，当前解实现了一次迭代。可在此基础上开始下一轮试验。而当新解被判定为舍弃时，则在原当前解的基础上继续下一轮试验。

模拟退火算法与初始值无关，算法求得的解与初始解状态S(是算法迭代的起点)无关；模拟退火算法具有渐近收敛性，已在理论上被证明是一种以概率l 收敛于全局最优解的全局优化算法；模拟退火算法具有并行性。

代码

导入需要的库

from random import*

import numpy as np

from math import*

from matplotlib import pyplot as plt

import sys

初始化城市的坐标并构建距离矩阵

file_name = sys.argv[1] if len(sys.argv) > 1 else 'data/data1.csv'

citys = np.loadtxt(file_name, delimiter=',')

number_of_citys = citys.shape[0]

print(number_of_citys)

citys = np.array(citys)

#由城市坐标计算距离矩阵

distance = np.zeros((number_of_citys,number_of_citys))

for i in range(number_of_citys):

    for j in range(number_of_citys):

        distance[i][j] = sqrt((citys[i][0]-citys[j][0])**2+(citys[i][1]-citys[j][1])**2)

初始化参数

#初始化参数

iteration1 = 2000                #外循环迭代次数

T0 = 100000                      #初始温度，取大些

Tf = 1                           #截止温度，可以不用

alpha = 0.95                     #温度更新因子

iteration2 = 10                  #内循环迭代次数

fbest = 0                        #最佳距离

初始化解

#初始化初解

x = []

for i in range(number_of_citys):

    x.append(i)

np.random.shuffle(x)

x = np.array(x)

for j in range(len(x) - 1):

    fbest = fbest + distance[x[j]][x[j + 1]]

fbest = fbest + distance[x[-1]][x[0]]

xbest = x.copy()

f_now = fbest

x_now = xbest.copy()

这里的x_now和f_now是SA在运行过程中的当前解，但这个解不一定就是历史最优解，因此我们还设置了f_best和x_best用于记录历史最优解。

主循环和内部循环

主循环就是降温过程，内部循环就是在每一个温度下让算法达到平衡点。

for i in range(iteration1):

    for k in range(iteration2):

        #生成新解

        x1 = [0 for q in range(number_of_citys)]

        n1,n2 = randint(0,number_of_citys-1),randint(0,number_of_citys-1)

        n = [n1,n2]

        n.sort()

        n1,n2 = n

        #n1为0单独写

        if n1 > 0:

            x1[0:n1] = x_now[0:n1]

            x1[n1:n2+1] = x_now[n2:n1-1:-1]

            x1[n2+1:number_of_citys] = x_now[n2+1:number_of_citys]

        else:

            x1[0:n1] = x_now[0:n1]

            x1[n1:n2+1] = x_now[n2::-1]

            x1[n2+1:number_of_citys] = x_now[n2+1:number_of_citys]

        s = 0;

        for j in range(len(x1) - 1):

            s = s + distance[x1[j]][x1[j + 1]]

        s = s + distance[x1[-1]][x1[0]]

        #判断是否更新解

        if s <= f_now:

            f_now = s

            x_now = x1.copy()

        if s > f_now:

            deltaf = s - f_now

            if random() < exp(-deltaf/T0):

                f_now = s

                x_now = x1.copy()

        if s < fbest:

            fbest = s

            xbest = x1.copy()

温度更新

T0 = alpha * T0                #更新温度

打印最佳路线和最佳距离

#打印最佳路线和最佳距离

print(xbest)

print(fbest)

得到可视化结果

代码和数据均已上传到百度网盘

链接：https://pan.baidu.com/s/1eLQ3N0u_TUKfx3yyO6aBYQ

提取码：usix