【启发式算法】Python实现遗传算法求解TSP问题

遗传算法

算法相关参数

• 种群个体数量：p_num
• 进化代数：gen
• 变异率：pm
• 被选中的概率：mask_list[i]/sum_len（即当前距离差值/距离差值之和）

算法效果分析

1. 种群数量越多，迭代次数越多，搜索次数越多，程序运行越慢，相对来 得到的解更可信
2. 种群中个体的路径长度越短，被选中作为父代的概率越大，即优胜劣汰
3. 算法随机性体现在：父代的随机选取，孩子继承父母的基因序列长度随机（即单点交叉策略），一定概率进行变异，变异中随机选取基因进行交换

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；初始化第一代的种群
2. 求得当前代时种群中的最优解，并初始化子代矩阵
3. 遗传算法的核心：算法迭代gen次，每次产生p_num个子代。
   3.1 随机选择一对父母（路径越短，选中的概率越大），并选取父母各自一段基因序列进行遗传（基因即路径，长度随机生成）；
   3.2 第一个孩子继承母亲的部分基因序列
   3.3 随机生成概率，判断是否变异
   3.4 将孩子基因放入孩子序列，孩子的数量+1
   3.5 同理第二个孩子继承父亲的基因（见3.2~3.4）
   3.6 计算过所有p_num个子代后，找出当前代的最优解并与全局最优解比较
4. 直到迭代gen次，算法结束

# -*- coding: utf-8 -*-
import numpy as np
import random
import math
import matplotlib.pyplot as plt
import time

"""
Desicribe:遗传算法解TSP问题

"""

# 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

# 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], [1220.0, 580.0], [1465.0, 200.0], [1530.0, 5.0], [845.0, 680.0],
                        [725.0, 370.0], [145.0, 665.0], [415.0, 635.0], [510.0, 875.0], [560.0, 365.0],
                        [300.0, 465.0], [520.0, 585.0], [480.0, 415.0], [835.0, 625.0], [975.0, 580.0],
                        [1215.0, 245.0], [1320.0, 315.0], [1250.0, 400.0], [660.0, 180.0], [410.0, 250.0],
                        [420.0, 555.0], [575.0, 665.0], [1150.0, 1160.0], [700.0, 580.0