【启发式算法】Python实现模拟退火算法求解TSP问题

模拟退火

算法相关参数

• 初始温度：T0
• 当前温度：t
• 结束温度：Tend
• 迭代次数：Times
• 温度衰减系数：a
• 目标函数差值（当前解和新解之间的函数差值）：δ
• 接受新解的概率 ：p = e^-(δ/t)

算法效果分析

1. 迭代次数越多，温度衰减系数约大（即温度衰减得越慢），搜索次数越多，程序运行越慢，相对来 得到的解更可信
2. $“渣男”套路：前期广撒网，后期精准打击。$模拟退火算法前期要增加接受新解的概率，以便于扩大我们的搜索范围，避免陷入局部最优解；算法后期要减少接受新解的概率，避免丢弃当前最优解
3. 目标函数差值越大，接受新解的概率越大；随着迭代次数的增加，温度t逐渐减小，接受新解的概率越小

算法步骤

1. 数据初始化：计算距离矩阵（dist[i][j]表示i城市与j城市之间的距离）；随机得到初始解（起点为0城市）；编写距离计算函数
2. 在每个温度下，进行Times次迭代
3. 每次迭代时：求得新路径并计算其路径长度（通过二次变换法和数据切片交换来求得新解）
4. 若得到的新路径长度小于当前路径长度，则更新当前路径和当前路径长度，若与此同时新路径长度还优于最优路径长度，则同时更新最优路径及其长度
5. 模拟退火算法的核心：若得到的新路径长度大于等于当前路径长度，则根据相应函数计算概率，通过随机数和此时的概率相比较，从而决定是否接收新路径（即劣解）
6. 直到当前温度小于结束温度时，算法结束
7. 调参来优化模型

# -*- coding: utf-8 -*-
import random
import matplotlib.pyplot as plt
import numpy as np
import math
import sys
import copy
import time
#解决中文显示问题
plt.rcParams['font.sans-serif'] = ['KaiTi'] # 指定默认字体
plt.rcParams['axes.unicode_minus'] = False # 解决保存图像是负号'-'显示为方块的问题
# 初始温度,结束温度
T0 = 100
Tend = 1e-20
#循环控制常数,迭代次数
Times = 50000
# 温度衰减系数
a = 0.999

#原始数据
coordinates = np.array([[565.0,575.0],[25.0,185.0],[345.0,750.0],[945.0,685.0],[845.0,655.0],
                        [880.0,660.0],[25.0,230.0],[525.0,1000.0],[580.0,1175.0],[650.0,1130.0],
                        [1605.0,620.0],