出门游玩，运用百度api 和蚁群算法 ，解决基于现实实时数据的 旅行商问题

# 导入相关的包
# -- coding: utf-8 --**
import requests #HTTP请求
import time
import re
import json # 用于解析Json
import pandas as pd # 用于处理数据（数据分析相关的同学必须会的包）
import pandas
import csv
import re
import time
import json
from urllib.request import urlopen
import urllib
import random
import copy
import sys
import tkinter  # //GUI模块
import threading
from functools import reduce
from geopy.distance import geodesic
import numpy as np

'''https://blog.csdn.net/Fuel_Ming/article/details/117193433'''

'https://blog.csdn.net/Fuel_Ming/article/details/117193433'

开发简易文档：

需求：

给定指定地点,获取最短路径问题 ，也就是解决现实生活中的旅行商问题

实现步骤：
1.调用百度api,获取各个地点的经纬度（关于百度api的使用请查阅最后的引用文献）
2.将各个地点经纬度换算为distance 单位： km 并获得cost loss ,默认为对应的最佳公交地铁时间花费,
3.采用蚁群算法获取最短路径

以下为程序生成的实际显示

df = pd.DataFrame(['广东工业大学(大学城校区)','广州市鲁迅纪念馆','广州天河宜家',
'广州五仙观',
'广州Lavie拉维电影公馆',
'广州近代史博物馆',
'广州余荫山房 番禺区',
])

df.columns = ['location']

ak = 'pOSMq456AFQuZyYfTlCBGcB8GG2VakRm'
def get_result(x,ak):
    """

    :param x: 传入一个字符串类型的地点
    :return: （[坐标]，类别，置信度）
    """
    Post_url = "https://api.map.baidu.com/geocoding/v3/?address=" + x + f"&output=json&ak={ak}&callback=showLocation"
    Post_data = {
        'address' : x
    }
    se = requests.session()
    Text = se.post(Post_url, data=Post_data).text.replace("'", '"').replace('/ ', '/')[27:-1]
    jsonValue = json.loads(Text) # 转化为Json对象
    if ("result" in jsonValue):
        return  (jsonValue['result']['location']['lng'],jsonValue['result']['location']['lat']),jsonValue['result']['level'],jsonValue['result']['confidence']
    else: return  ''

result = {
    'name' :df['location'].values,
    'position' : [],
    'category' : [],
    'confidence' : []
}
for value in df.values:
    tmp = get_result(value[0],ak)
    if tmp != '':
        result['position'].append(tmp[0])
        result['category'].append(tmp[1])
        result['confidence'].append(tmp[2])
result

{'name': array(['广东工业大学(大学城校区)', '广州市鲁迅纪念馆', '广州天河宜家', '广州五仙观', '广州Lavie拉维电影公馆',
        '广州近代史博物馆', '广州余荫山房 番禺区'], dtype=object),
 'position': [(113.39959744237572, 23.045704807207507),
  (113.2841059860486, 23.13014496993394),
  (113.42238287179822, 23.111107776003106),
  (113.26630839796859, 23.126907167141244),
  (113.32622196190339, 23.101572988503353),
  (113.28977420398412, 23.13464065626514),
  (113.4019110989934, 23.017728378073617)],
 'category': ['教育', '旅游景点', '餐饮', '旅游景点', '休闲娱乐', '旅游景点', '旅游景点'],
 'confidence': [70, 50, 80, 50, 70, 50, 50]}

recoder = pd.DataFrame(result)
recoder

	name	position	category	confidence
0	广东工业大学(大学城校区)	(113.39959744237572, 23.045704807207507)	教育	70
1	广州市鲁迅纪念馆	(113.2841059860486, 23.13014496993394)	旅游景点	50
2	广州天河宜家	(113.42238287179822, 23.111107776003106)	餐饮	80
3	广州五仙观	(113.26630839796859, 23.126907167141244)	旅游景点	50
4	广州Lavie拉维电影公馆	(113.32622196190339, 23.101572988503353)	休闲娱乐	70
5	广州近代史博物馆	(113.28977420398412, 23.13464065626514)	旅游景点	50
6	广州余荫山房 番禺区	(113.4019110989934, 23.017728378073617)	旅游景点	50

names=['序号','起点纬度','起点经度','终点纬度','终点经度']
dataList = []  # 储存获取的路线数据
akn=0 # 使用第几个ak
for i , name1 in enumerate(recoder['name']):
    for j ,name2 in enumerate(recoder['name']):
        if name1 == name2:
            dataList.append([0,0,0,0,0,0,0])
            continue

        out_lat = recoder.at[i,'position'][1]
        out_lng = recoder.at[i,'position'][0]
        des_lat = recoder.at[j, 'position'][1]
        des_lng = recoder.at[j, 'position'][0]
        """
        # 获取驾车路径:常规路线规划(不考虑路况)
        以下是可选参数
        #  tactics =10不走高速;=11常规路线;=12距离较短;=13距离较短
        """
        url_drive = r"http://api.map.baidu.com/routematrix/v2/driving?output=json&origins={0},{1}&destinations={2},{3}&{4}&tactics=11&ak={4}".format(out_lat,out_lng,des_lat,des_lng,ak)
        result_drive = json.loads(urlopen(url_drive).read())  # json转dict
        status_drive = result_drive['status']
        if status_drive == 0:  # 状态码为0：无异常
            distance_drive = round(result_drive['result'][0]['distance']['value'] / 1000,3)  # 里程(k米)
            timesec_drive = round(result_drive['result'][0]['duration']['value'] /60,2)   # 耗时(分钟)


        elif status_drive == 302 or status_drive == 210 or status_drive == 201:  # 302:额度不足;210:IP验证未通过
            distance_drive = timesec_drive = 'AK错误'
        else:
            distance_drive = timesec_drive = '请求错误'


        """
        ### 以下是乘车规划
        可选参数
        tac_bus = r'&tactics_incity=0'
        # 市内公交换乘策略 可选，默认为0      0推荐；1少换乘；2少步行；3不坐地铁；4时间短；5地铁优先
        city_bus = r'&tactics_intercity=0'
        # 跨城公交换乘策略  可选，默认为0    0时间短；1出发早；2价格低；
        city_type = r'&trans_type_intercity=0'
        # 跨城交通方式策略  可选，默认为0  0火车优先；1飞机优先；2大巴优先；
        """
        url_bus = r'http://api.map.baidu.com/direction/v2/transit?output=json&origin={0},{1}&destination={2},{3}&{4}&ak={4}'.format(out_lat,out_lng,des_lat,des_lng,ak)
        result_bus = json.loads(urlopen(url_bus).read())
        status_bus = result_bus['status']
        if status_bus == 0:
            rsls = result_bus['result']['routes']
            if rsls == []:    # 无方案时状态也为0，但只返回一个空list
                distance_bus = timesec_bus = cost_bus = '无公交方案'
            else:
                distance_bus = round(result_bus['result']['routes'][0]['distance'] / 1000,3)  # 乘车路线距离总长(km)
                timesec_bus = round(result_bus['result']['routes'][0]['duration'] / 60,2)  # 乘车时间(分钟)
                cost_bus = result_bus['result']['routes'][0]['price']  # 乘车费用(元)
        elif status_bus == 302 or status_bus == 210 or status_bus == 201:
            distance_bus = timesec_bus = cost_bus = 'AK错误'

        elif status_bus == 1001:
            distance_bus = timesec_bus = cost_bus = '无公交方案'
        else:  # 其他类型状态码(服务器错误)
            distance_bus = timesec_bus = cost_bus = '请求错误'

        dataList.append([status_drive,distance_drive,timesec_drive,status_bus,distance_bus,timesec_bus,cost_bus])

计算两个坐标轴点的距离
例如：
from geopy.distance import geodesic
distance = geodesic((39.995304, 116.308264), (40.003304, 116.326759)).km
round(distance,2) 保留两位小数

dataList = np.array(dataList).reshape(len(recoder),len(recoder),-1)
'''【驾车状态， 自驾距离km，花费时间（分钟），推荐的公交状态，公交地铁距离 km，花费时间（分钟），金钱（元）'''
dataList_name = ['status_drive','distance_drive','timesec_drive','status_bus','distance_bus','timesec_bus','cost_bus']
dataList

array([[[  0.   ,   0.   ,   0.   ,   0.   ,   0.   ,   0.   ,   0.   ],
        [  0.   ,  27.548,  40.15 ,   0.   ,  23.899,  67.03 ,   6.   ],
        [  0.   ,  18.95 ,  32.88 ,   0.   ,  13.49 ,  37.17 ,   5.   ],
        [  0.   ,  27.542,  44.32 ,   0.   ,  23.796,  72.62 ,   6.   ],
        [  0.   ,  19.801,  34.47 ,   0.   ,  15.236,  42.08 ,   5.   ],
        [  0.   ,  26.529,  43.72 ,   0.   ,  22.802,  64.42 ,   6.   ],
        [  0.   ,  15.492,  31.33 ,   0.   ,  11.445,  52.15 ,   5.   ]],

       [[  0.   ,  26.815,  39.47 ,   0.   ,  23.901,  68.03 ,   6.   ],
        [  0.   ,   0.   ,   0.   ,   0.   ,   0.   ,   0.   ,   0.   ],
        [  0.   ,  15.521,  24.8  ,   0.   ,  18.993,  50.32 ,   5.   ],
        [  0.   ,   2.164,   8.27 ,   0.   ,   2.503,  23.43 ,   3.   ],
        [  0.   ,   9.285,  17.82 ,   0.   ,   8.915,  39.63 ,   2.   ],
        [  0.   ,   1.229,   4.17 ,   0.   ,   2.308,  22.25 ,   2.   ],
        [  0.   ,  33.633,  46.63 ,   0.   ,  27.912, 122.25 ,  -1.   ]],

       [[  0.   ,  17.501,  33.45 ,   0.   ,  13.492,  38.17 ,   5.   ],
        [  0.   ,  16.072,  34.05 ,   0.   ,  16.606,  44.97 ,   5.   ],
        [  0.   ,   0.   ,   0.   ,   0.   ,   0.   ,   0.   ,   0.   ],
        [  0.   ,  17.769,  39.62 ,   0.   ,  19.003,  54.43 ,   5.   ],
        [  0.   ,  14.477,  33.3  ,   0.   ,  13.277,  30.68 ,   4.   ],
        [  0.   ,  15.053,  35.4  ,   0.   ,  15.509,  42.35 ,   5.   ],
        [  0.   ,  24.319,  40.85 ,   0.   ,  21.462,  70.03 ,   8.   ]],

       [[  0.   ,  28.996,  43.4  ,   0.   ,  23.795,  73.62 ,   6.   ],
        [  0.   ,   2.776,  11.35 ,   0.   ,   2.516,  23.1  ,   1.   ],
        [  0.   ,  17.702,  28.93 ,   0.   ,  19.003,  54.43 ,   5.   ],
        [  0.   ,   0.   ,   0.   ,   0.   ,   0.   ,   0.   ,   0.   ],
        [  0.   ,  11.466,  21.7  ,   0.   ,   8.515,  45.77 ,   2.   ],
        [  0.   ,   3.06 ,  12.75 ,   0.   ,   3.582,  35.27 ,   2.   ],
        [  0.   ,  35.814,  51.15 ,   0.   ,  41.005, 141.15 ,   8.   ]],

       [[  0.   ,  18.501,  34.62 ,   0.   ,  15.235,  43.08 ,   5.   ],
        [  0.   ,   9.576,  25.33 ,   0.   ,  10.04 ,  47.1  ,   2.   ],
        [  0.   ,  13.024,  27.88 ,   0.   ,  13.276,  30.68 ,   4.   ],
        [  0.   ,  10.918,  30.15 ,   0.   ,  10.872,  54.63 ,   2.   ],
        [  0.   ,   0.   ,   0.   ,   0.   ,   0.   ,   0.   ,   0.   ],
        [  0.   ,   9.687,  25.7  ,   0.   ,   8.773,  29.92 ,   3.   ],
        [  0.   ,  25.319,  42.9  ,   0.   ,  22.579,  69.72 ,   6.   ]],

       [[  0.   ,  25.766,  35.6  ,   0.   ,  22.805,  65.42 ,   6.   ],
        [  0.   ,   1.591,   4.68 ,   0.   ,   1.549,  23.33 ,   2.   ],
        [  0.   ,  14.472,  21.5  ,   0.   ,  14.753,  60.   ,  -1.   ],
        [  0.   ,   3.614,  11.85 ,   0.   ,   3.785,  34.93 ,   2.   ],
        [  0.   ,   8.236,  14.63 ,   0.   ,   8.775,  30.92 ,   3.   ],
        [  0.   ,   0.   ,   0.   ,   0.   ,   0.   ,   0.   ,   0.   ],
        [  0.   ,  32.584,  42.62 ,   0.   ,  42.179, 157.82 ,   8.   ]],

       [[  0.   ,  18.927,  31.95 ,   0.   ,   8.338,  53.65 ,   4.   ],
        [  0.   ,  30.291,  44.87 ,   0.   ,  28.957, 123.95 ,  -1.   ],
        [  0.   ,  21.689,  33.18 ,   0.   ,  21.858,  68.93 ,  -1.   ],
        [  0.   ,  26.861,  49.48 ,   0.   ,  28.142, 112.42 ,  -1.   ],
        [  0.   ,  22.922,  40.9  ,   0.   ,  22.14 , 111.58 ,   6.   ],
        [  0.   ,  29.272,  47.62 ,   0.   ,  29.316, 129.08 ,  -1.   ],
        [  0.   ,   0.   ,   0.   ,   0.   ,   0.   ,   0.   ,   0.   ]]])

# '''计算每两个城市间的distance  得到邻接矩阵'''
# from geopy.distance import geodesic
# adj_matrix = []
# for i , name1 in enumerate(recoder['name']):
#     for j ,name2 in enumerate(recoder['name']):
#         if name1 == name2:
#             distance = np.inf
#             adj_matrix.append(distance)
#         else:
#             distance = geodesic((recoder['position'][i][1],recoder['position'][i][0]),
#                                 (recoder['position'][j][1],recoder['position'][j][0])).km  # 转换为国外的维度和经度
#
#             distance = round(distance,2) # 保留2位有效
#             adj_matrix.append(distance)
# adj_matrix = np.array(adj_matrix).reshape(len(recoder),len(recoder))
#
#
# new_data = pd.DataFrame(adj_matrix)
# new_data.columns = recoder['name']
# new_data.insert(loc =0 ,column=' ',value=recoder['name'])
# new_data.to_excel('test.xlsx')
# new_data

将经纬度映射到 0-1 空间然后映射到画布空间
width,height

recoder

	name	position	category	confidence
0	广东工业大学(大学城校区)	(113.39959744237572, 23.045704807207507)	教育	70
1	广州市鲁迅纪念馆	(113.2841059860486, 23.13014496993394)	旅游景点	50
2	广州天河宜家	(113.42238287179822, 23.111107776003106)	餐饮	80
3	广州五仙观	(113.26630839796859, 23.126907167141244)	旅游景点	50
4	广州Lavie拉维电影公馆	(113.32622196190339, 23.101572988503353)	休闲娱乐	70
5	广州近代史博物馆	(113.28977420398412, 23.13464065626514)	旅游景点	50
6	广州余荫山房 番禺区	(113.4019110989934, 23.017728378073617)	旅游景点	50

from pyecharts.charts import Geo
from pyecharts import options
from pyecharts.globals import GeoType

g = Geo().add_schema(maptype="广州")
for i in range(len(result['name'])):
    g.add_coordinate(result['name'][i], result['position'][i][0], result['position'][i][1])
    data_pair = [(result['name'][i],1)]
    g.add('',data_pair, type_=GeoType.EFFECT_SCATTER, symbol_size=20)
g.set_series_opts(label_opts=options.LabelOpts(is_show=False))
g.set_global_opts(title_opts=options.TitleOpts(title="pyecharts地图标点测试"))
g.render_notebook()

'''
ALPHA:信息启发因子，值越大，则蚂蚁选择之前走过的路径可能性就越大
      ，值越小，则蚁群搜索范围就会减少，容易陷入局部最优
BETA:Beta值越大，蚁群越就容易选择局部较短路径，这时算法收敛速度会
     加快，但是随机性不高，容易得到局部的相对最优
'''
(ALPHA, BETA, RHO, Q) = (1.0, 2.0, 0.5, 100.0)
# 城市数，蚁群
(city_num, ant_num) = (len(recoder),len(recoder))


'''可以优化的一点，分布采用真实分布，实现步骤，归一化，映射到0-1空间，再将经纬度，映射到画布空间的相对位置'''
abstract_position = []
for i ,value in enumerate(recoder['position']):
    value = list(value)
    abstract_position.append(value)
abstract_position = np.array(abstract_position)
# 归一化映射位置关系
abstract_position[:, 0] =  (abstract_position[:, 0] - np.min(abstract_position[:, 0]))/(np.max(abstract_position[:, 0]) - np.min(abstract_position[:,
0])) * 500 + 200
abstract_position[:, 1] = 1000 - (abstract_position[:, 1] - np.min(abstract_position[:, 1]))/(np.max(abstract_position[:, 1]) - np.min(abstract_position[:,
1])) * 500 - 200  # + bias 偏置
abstract_position = np.ceil(abstract_position)

distance_x = [x[0] for x in abstract_position]
distance_y  = [y[1] for y in abstract_position]

# 城市距离和信息素
distance_graph = [[0.0 for col in range(city_num)] for raw in range(city_num)]
pheromone_graph = [[1.0 for col in range(city_num)] for raw in range(city_num)]



# ----------- 蚂蚁 -----------
class Ant(object):

    # 初始化
    def __init__(self, ID):

        self.ID = ID  # ID
        self.__clean_data()  # 随机初始化出生点

    # 初始数据
    def __clean_data(self):

        self.path = []  # 当前蚂蚁的路径
        self.total_distance = 0.0  # 当前路径的总距离
        self.move_count = 0  # 移动次数
        self.current_city = -1  # 当前停留的城市
        self.open_table_city = [True for i in range(city_num)]  # 探索城市的状态

        city_index = random.randint(0, city_num - 1)  # 随机初始出生点
        self.current_city = city_index
        self.path.append(city_index)
        self.open_table_city[city_index] = False
        self.move_count = 1

    # 选择下一个城市
    def __choice_next_city(self):

        next_city = -1
        select_citys_prob = [0.0 for i in range(city_num)]  # 存储去下个城市的概率
        total_prob = 0.0

        # 获取去下一个城市的概率
        for i in range(city_num):
            if self.open_table_city[i]:
                try:
                    # 计算概率：与信息素浓度成正比，与距离成反比
                    select_citys_prob[i] = pow(pheromone_graph[self.current_city][i], ALPHA) * pow(
                        (1.0 / distance_graph[self.current_city][i]), BETA)
                    total_prob += select_citys_prob[i]
                except ZeroDivisionError as e:
                    print('Ant ID: {ID}, current city: {current}, target city: {target}'.format(ID=self.ID,
                                                                                                current=self.current_city,
                                                                                                target=i))
                    sys.exit(1)

        # 轮盘选择城市
        if total_prob > 0.0:
            # 产生一个随机概率,0.0-total_prob
            temp_prob = random.uniform(0.0, total_prob)
            for i in range(city_num):
                if self.open_table_city[i]:
                    # 轮次相减
                    temp_prob -= select_citys_prob[i]
                    if temp_prob < 0.0:
                        next_city = i
                        break

        # 未从概率产生，顺序选择一个未访问城市
        # if next_city == -1:
        #     for i in range(city_num):
        #         if self.open_table_city[i]:
        #             next_city = i
        #             break

        if (next_city == -1):
            next_city = random.randint(0, city_num - 1)
            while ((self.open_table_city[next_city]) == False):  # if==False,说明已经遍历过了
                next_city = random.randint(0, city_num - 1)

        # 返回下一个城市序号
        return next_city

    # 计算路径总距离
    def __cal_total_distance(self):

        temp_distance = 0.0

        for i in range(1, city_num):
            start, end = self.path[i], self.path[i - 1]
            temp_distance += distance_graph[start][end]

        # 回路
        end = self.path[0]
        temp_distance += distance_graph[start][end]
        self.total_distance = temp_distance

    # 移动操作
    def __move(self, next_city):

        self.path.append(next_city)
        self.open_table_city[next_city] = False
        self.total_distance += distance_graph[self.current_city][next_city]
        self.current_city = next_city
        self.move_count += 1

    # 搜索路径
    def search_path(self):

        # 初始化数据
        self.__clean_data()

        # 搜素路径，遍历完所有城市为止
        while self.move_count < city_num:
            # 移动到下一个城市
            next_city = self.__choice_next_city()
            self.__move(next_city)

        # 计算路径总长度
        self.__cal_total_distance()


# ----------- TSP问题 -----------

class TSP(object):

    def __init__(self, root, width=1000, height=1000, n=city_num):

        # 创建画布
        self.root = root
        self.width = width
        self.height = height
        # 城市数目初始化为city_num
        self.n = n
        # tkinter.Canvas
        self.canvas = tkinter.Canvas(
            root,
            width=self.width,
            height=self.height,
            bg="#EBEBEB",  # 背景白色
            xscrollincrement=1,
            yscrollincrement=1
        )
        self.canvas.pack(expand=tkinter.YES, fill=tkinter.BOTH)
        self.title("TSP蚁群算法(n:初始化 e:开始搜索 s:停止搜索 q:退出程序)")
        self.__r = 5
        self.__lock = threading.RLock()  # 线程锁

        self.__bindEvents()
        self.new()

        # 计算地点之间的距离，也就是花费, 这里的度量默认采用了 地铁公交车的时间花费
        '''['status_drive','distance_drive','timesec_drive','status_bus','distance_bus','timesec_bus','cost_bus']'''
        for i,value0 in enumerate(dataList):
            for j,value1 in enumerate(value0):
                distance = value1[5]
                distance_graph[i][j] = distance

    # 按键响应程序
    def __bindEvents(self):

        self.root.bind("q", self.quite)  # 退出程序
        self.root.bind("n", self.new)  # 初始化
        self.root.bind("e", self.search_path)  # 开始搜索
        self.root.bind("s", self.stop)  # 停止搜索

    # 更改标题
    def title(self, s):

        self.root.title(s)

    # 初始化
    def new(self, evt=None):

        # 停止线程
        self.__lock.acquire()
        self.__running = False
        self.__lock.release()

        self.clear()  # 清除信息
        self.nodes = []  # 节点坐标
        self.nodes2 = []  # 节点对象

        # 初始化城市节点
        for i in range(self.n):
            # 在画布上标定虚拟坐标
            x = distance_x[i]
            y = distance_y[i]
            self.nodes.append((x, y))
            # 生成节点椭圆，半径为self.__r
            node = self.canvas.create_oval(x - self.__r,
                                           y - self.__r, x + self.__r, y + self.__r,
                                           fill="#ff0000",  # 填充红色
                                           outline="#000000",  # 轮廓白色
                                           tags="node",
                                           )
            self.nodes2.append(node)
            # 显示坐标
            self.canvas.create_text(x, y - 10,  # 使用create_text方法在坐标（302，77）处绘制文字
                                    text=f"{recoder['name'][i]}",  # 所绘制文字的内容
                                    fill='black'  # 所绘制文字的颜色为灰色
                                    )

        # 顺序连接城市
        # self.line(range(city_num))

        # 初始城市之间的距离和信息素
        for i in range(city_num):
            for j in range(city_num):
                pheromone_graph[i][j] = 1.0

        self.ants = [Ant(ID) for ID in range(ant_num)]  # 初始蚁群
        self.best_ant = Ant(-1)  # 初始最优解
        self.best_ant.total_distance = 1 << 31  # 初始最大距离
        self.iter = 1  # 初始化迭代次数

    # 将节点按order顺序连线
    def line(self, order):
        # 删除原线
        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")
            # # 显示线路花费时间
            # x = int((p1[0]+p2[0])/2)
            # y = int((p1[1]+p2[1])/2)
            #
            # self.canvas.create_text(x, y - 10,  # 使用create_text方法在坐标（302，77）处绘制文字
            #                         text=f"{}",  # 所绘制文字的内容
            #                         fill='black'  # 所绘制文字的颜色为灰色
            #                         )
            return i2

        # order[-1]为初始值
        reduce(line2, order, order[-1])

    # 清除画布
    def clear(self):
        for item in self.canvas.find_all():
            self.canvas.delete(item)

    # 退出程序
    def quite(self, evt):
        self.__lock.acquire()
        self.__running = False
        self.__lock.release()
        self.root.destroy()
        print(u"\n程序已退出...")
        sys.exit()

    # 停止搜索
    def stop(self, evt):
        self.__lock.acquire()
        self.__running = False
        self.__lock.release()

    # 开始搜索
    def search_path(self, evt=None):

        # 开启线程
        self.__lock.acquire()
        self.__running = True
        self.__lock.release()

        while self.__running:
            # 遍历每一只蚂蚁
            for ant in self.ants:
                # 搜索一条路径
                ant.search_path()
                # 与当前最优蚂蚁比较
                if ant.total_distance < self.best_ant.total_distance:
                    # 更新最优解
                    self.best_ant = copy.deepcopy(ant)
            # 更新信息素
            self.__update_pheromone_gragh()
            print(u"迭代次数：", self.iter, f"最佳{dataList_name[5]} (hours)", round(self.best_ant.total_distance / 60,2))
            # 连线
            self.line(self.best_ant.path)
            # 设置标题
            self.title("TSP蚁群算法(n:随机初始 e:开始搜索 s:停止搜索 q:退出程序) 迭代次数: %d" % self.iter)
            # 更新画布
            self.canvas.update()
            self.iter += 1

    # 更新信息素
    def __update_pheromone_gragh(self):

        # 获取每只蚂蚁在其路径上留下的信息素
        temp_pheromone = [[0.0 for col in range(city_num)] for raw in range(city_num)]
        for ant in self.ants:
            for i in range(1, city_num):
                start, end = ant.path[i - 1], ant.path[i]
                # 在路径上的每两个相邻城市间留下信息素，与路径总距离反比
                temp_pheromone[start][end] += Q / ant.total_distance
                temp_pheromone[end][start] = temp_pheromone[start][end]

        # 更新所有城市之间的信息素，旧信息素衰减加上新迭代信息素
        for i in range(city_num):
            for j in range(city_num):
                pheromone_graph[i][j] = pheromone_graph[i][j] * RHO + temp_pheromone[i][j]

    # 主循环
    def mainloop(self):
        self.root.mainloop()

print(u"""
--------------------------------------------------------
    蚁群算法解决TPS问题程序
    程序中按提示键盘继续操作

--------------------------------------------------------
    """)
TSP(tkinter.Tk()).mainloop()

--------------------------------------------------------
    蚁群算法解决TPS问题程序
    程序中按提示键盘继续操作

--------------------------------------------------------
    
迭代次数： 1 最佳timesec_bus (hours) 5.04
迭代次数： 2 最佳timesec_bus (hours) 5.04
迭代次数： 3 最佳timesec_bus (hours) 4.94
迭代次数： 4 最佳timesec_bus (hours) 4.94
迭代次数： 5 最佳timesec_bus (hours) 4.94
迭代次数： 6 最佳timesec_bus (hours) 4.94
迭代次数： 7 最佳timesec_bus (hours) 4.94
迭代次数： 8 最佳timesec_bus (hours) 4.94
迭代次数： 9 最佳timesec_bus (hours) 4.94
迭代次数： 10 最佳timesec_bus (hours) 4.85
迭代次数： 11 最佳timesec_bus (hours) 4.85
迭代次数： 12 最佳timesec_bus (hours) 4.85
迭代次数： 13 最佳timesec_bus (hours) 4.85
迭代次数： 14 最佳timesec_bus (hours) 4.85
迭代次数： 15 最佳timesec_bus (hours) 4.85
迭代次数： 16 最佳timesec_bus (hours) 4.85
迭代次数： 17 最佳timesec_bus (hours) 4.85
迭代次数： 18 最佳timesec_bus (hours) 4.85
迭代次数： 19 最佳timesec_bus (hours) 4.84
迭代次数： 20 最佳timesec_bus (hours) 4.84
迭代次数： 21 最佳timesec_bus (hours) 4.84
迭代次数： 22 最佳timesec_bus (hours) 4.84
迭代次数： 23 最佳timesec_bus (hours) 4.84
迭代次数： 24 最佳timesec_bus (hours) 4.84
迭代次数： 25 最佳timesec_bus (hours) 4.84
迭代次数： 26 最佳timesec_bus (hours) 4.84
迭代次数： 27 最佳timesec_bus (hours) 4.84
迭代次数： 28 最佳timesec_bus (hours) 4.84
迭代次数： 29 最佳timesec_bus (hours) 4.84
迭代次数： 30 最佳timesec_bus (hours) 4.84
迭代次数： 31 最佳timesec_bus (hours) 4.84
迭代次数： 32 最佳timesec_bus (hours) 4.84
迭代次数： 33 最佳timesec_bus (hours) 4.84
迭代次数： 34 最佳timesec_bus (hours) 4.84
迭代次数： 35 最佳timesec_bus (hours) 4.84
迭代次数： 36 最佳timesec_bus (hours) 4.84
迭代次数： 37 最佳timesec_bus (hours) 4.84
迭代次数： 38 最佳timesec_bus (hours) 4.84
迭代次数： 39 最佳timesec_bus (hours) 4.84
迭代次数： 40 最佳timesec_bus (hours) 4.84
迭代次数： 41 最佳timesec_bus (hours) 4.84
迭代次数： 42 最佳timesec_bus (hours) 4.83
迭代次数： 43 最佳timesec_bus (hours) 4.83
迭代次数： 44 最佳timesec_bus (hours) 4.83
迭代次数： 45 最佳timesec_bus (hours) 4.83
迭代次数： 46 最佳timesec_bus (hours) 4.83
迭代次数： 47 最佳timesec_bus (hours) 4.83
迭代次数： 48 最佳timesec_bus (hours) 4.83
迭代次数： 49 最佳timesec_bus (hours) 4.83
迭代次数： 50 最佳timesec_bus (hours) 4.83
迭代次数： 51 最佳timesec_bus (hours) 4.83
迭代次数： 52 最佳timesec_bus (hours) 4.83
迭代次数： 53 最佳timesec_bus (hours) 4.83
迭代次数： 54 最佳timesec_bus (hours) 4.83
迭代次数： 55 最佳timesec_bus (hours) 4.83
迭代次数： 56 最佳timesec_bus (hours) 4.83
迭代次数： 57 最佳timesec_bus (hours) 4.83
迭代次数： 58 最佳timesec_bus (hours) 4.83
迭代次数： 59 最佳timesec_bus (hours) 4.83
迭代次数： 60 最佳timesec_bus (hours) 4.83
迭代次数： 61 最佳timesec_bus (hours) 4.83
迭代次数： 62 最佳timesec_bus (hours) 4.83

引用文献
CSDN 百度api获取个人ak
蚁群算法的实现