模拟退火算法Python编程（4）旅行商问题

模拟退火算法求解旅行商问题 Python 程序

模拟退火算法求解旅行商问题 Python程序

Program: SimulatedAnnealing_v6.py

Purpose: Simulated annealing algorithm for traveling salesman problem

v1.0:

模拟退火求解旅行商问题（TSP）基本算法

Copyright 2021 YouCans, XUPT

Crated：2021-05-01

-- coding: utf-8 --

import math # 导入模块 math
import random # 导入模块 random
import pandas as pd # 导入模块 pandas 并简写成 pd
import numpy as np # 导入模块 numpy 并简写成 np YouCans
import matplotlib.pyplot as plt # 导入模块 matplotlib.pyplot 并简写成 plt

np.set_printoptions(precision=4)
pd.set_option(‘display.max_rows’, 20)
pd.set_option(‘expand_frame_repr’, False)
pd.options.display.float_format = ‘{:,.2f}’.format

子程序：初始化模拟退火算法的控制参数

def initParameter():
# custom function initParameter():
# Initial parameter for simulated annealing algorithm
tInitial = 100.0 # 设定初始退火温度(initial temperature)
tFinal = 1 # 设定终止退火温度(stop temperature)
nMarkov = 1000 # Markov链长度，也即内循环运行次数
alfa = 0.98 # 设定降温参数，T(k)=alfa*T(k-1)

return tInitial,tFinal,alfa,nMarkov

子程序：读取TSPLib数据

def read_TSPLib(fileName):
# custom function read_TSPLib(fileName)
# Read datafile *.dat from TSPlib
# return coordinates of each city by YouCans, XUPT

res = []
with open(fileName, 'r') as fid:
    for item in fid:
        if len(item.strip())!=0:
            res.append(item.split())

loadData = np.array(res).astype('int')      # 数据格式：i Xi Yi
coordinates = loadData[:,1::]
return coordinates

子程序：计算各城市间的距离，得到距离矩阵

def getDistMat(nCities, coordinates):
# custom function getDistMat(nCities, coordinates):
# computer distance between each 2 Cities
distMat = np.zeros((nCities,nCities)) # 初始化距离矩阵
for i in range(nCities):
for j in range(i,nCities):
# np.linalg.norm 求向量的范数（默认求 二范数），得到 i、j 间的距离
distMat[i][j] = distMat[j][i] = round(np.linalg.norm(coordinates[i]-coordinates[j]))
return distMat # 城市间距离取整（四舍五入）

子程序：计算 TSP 路径长度

def calTourMileage(tourGiven, nCities, distMat):
# custom function caltourMileage(nCities, tour, distMat):
# to compute mileage of the given tour
mileageTour = distMat[tourGiven[nCities-1], tourGiven[0]] # dist((n-1),0)
for i in range(nCities-1): # dist(0,1),…dist((n-2)(n-1))
mileageTour += distMat[tourGiven[i], tourGiven[i+1]]
return round(mileageTour) # 路径总长度取整（四舍五入）

子程序：绘制 TSP 路径图

def plot_tour(tour, value, coordinates):
# custom function plot_tour(tour, nCities, coordinates)

num = len(tour)
x0, y0 = coordinates[tour[num - 1]]
x1, y1 = coordinates[tour[0]]
plt.scatter(int(x0), int(y0), s=15, c='r')      # 绘制城市坐标点 C(n-1)
plt.plot([x1, x0], [y1, y0], c='b')             # 绘制旅行路径 C(n-1)~C(0)
for i in range(num - 1):
    x0, y0 = coordinates[tour[i]]
    x1, y1 = coordinates[tour[i + 1]]
    plt.scatter(int(x0), int(y0), s=15, c='r')  # 绘制城市坐标点 C(i)
    plt.plot([x1, x0], [y1, y0], c='b')         # 绘制旅行路径 C(i)~C(i+1)

plt.xlabel("Total mileage of the tour:{:.1f}".format(value))
plt.title("Optimization tour of TSP{:d}".format(num))  # 设置图形标题
plt.show()

子程序：交换操作算子

def mutateSwap(tourGiven, nCities):
# custom function mutateSwap(nCities, tourNow)
# produce a mutation tour with 2-Swap operator
# swap the position of two Cities in the given tour

# 在 [0,n) 产生 2个不相等的随机整数 i,j
i = np.random.randint(nCities)          # 产生第一个 [0,n) 区间内的随机整数
while True:
    j = np.random.randint(nCities)      # 产生一个 [0,n) 区间内的随机整数
    if i!=j: break                      # 保证 i, j 不相等

tourSwap = tourGiven.copy()             # 将给定路径复制给新路径 tourSwap
tourSwap[i],tourSwap[j] = tourGiven[j],tourGiven[i] # 交换 城市 i 和 j 的位置————简洁的实现方法

return tourSwap

def main():
# 主程序

# # 读取旅行城市位置的坐标
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], [685.0, 595.0],
                        [685.0, 610.0], [770.0, 610.0], [795.0, 645.0], [720.0, 635.0], [760.0, 650.0],
                        [475.0, 960.0], [95.0, 260.0], [875.0, 920.0], [700.0, 500.0], [555.0, 815.0],
                        [830.0, 485.0], [1170.0, 65.0], [830.0, 610.0], [605.0, 625.0], [595.0, 360.0],
                        [1340.0, 725.0], [1740.0, 245.0]])
# fileName = "../data/eil76.dat"                      # 数据文件的地址和文件名
# coordinates = read_TSPLib(fileName)                 # 调用子程序，读取城市坐标数据文件

# 模拟退火算法参数设置
tInitial,tFinal,alfa,nMarkov = initParameter()      # 调用子程序，获得设置参数

nCities = coordinates.shape[0]              # 根据输入的城市坐标 获得城市数量 nCities
distMat = getDistMat(nCities, coordinates)  # 调用子程序，计算城市间距离矩阵
nMarkov = nCities                           # Markov链 的初值设置
tNow    = tInitial                          # 初始化 当前温度(current temperature)

# 初始化准备
tourNow   = np.arange(nCities)   # 产生初始路径，返回一个初值为0、步长为1、长度为n 的排列
valueNow  = calTourMileage(tourNow,nCities,distMat) # 计算当前路径的总长度 valueNow
tourBest  = tourNow.copy()                          # 初始化最优路径，复制 tourNow
valueBest = valueNow                                # 初始化最优路径的总长度，复制 valueNow
recordBest = []                                     # 初始化 最优路径记录表
recordNow  = []                                     # 初始化 最优路径记录表

# 开始模拟退火优化过程
iter = 0                        # 外循环迭代次数计数器
while tNow >= tFinal:           # 外循环，直到当前温度达到终止温度时结束
    # 在当前温度下，进行充分次数(nMarkov)的状态转移以达到热平衡

    for k in range(nMarkov):    # 内循环，循环次数为Markov链长度
        # 产生新解：
        tourNew = mutateSwap(tourNow, nCities)      # 通过 交换操作 产生新路径
        # tourNew,deltaE = mutateSwapE(tourNow,nCities,distMat)   # 通过 交换操作 产生新路径（计算 deltaE）
        valueNew = calTourMileage(tourNew,nCities,distMat) # 计算当前路径的总长度
        deltaE = valueNew - valueNow

        # 接受判别：按照 Metropolis 准则决定是否接受新解
        if deltaE < 0:                          # 更优解：如果新解的目标函数好于当前解，则接受新解
            accept = True
            if valueNew < valueBest:            # 如果新解的目标函数好于最优解，则将新解保存为最优解
                tourBest[:] = tourNew[:]
                valueBest = valueNew
        else:                                   # 容忍解：如果新解的目标函数比当前解差，则以一定概率接受新解
            pAccept = math.exp(-deltaE/tNow)    # 计算容忍解的状态迁移概率
            if pAccept > random.random():
                accept = True
            else:
                accept = False

        # 保存新解
        if accept == True:                      # 如果接受新解，则将新解保存为当前解
            tourNow[:] = tourNew[:]
            valueNow = valueNew

    # 平移当前路径，以解决变换操作避开 0,（n-1）所带来的问题，并未实质性改变当前路径。
    tourNow = np.roll(tourNow,2)                # 循环移位函数，沿指定轴滚动数组元素

    # 完成当前温度的搜索，保存数据和输出
    recordBest.append(valueBest)                # 将本次温度下的最优路径长度追加到 最优路径记录表
    recordNow.append(valueNow)                  # 将当前路径长度追加到 当前路径记录表
    print('i:{}, t(i):{:.2f}, valueNow:{:.1f}, valueBest:{:.1f}'.format(iter,tNow,valueNow,valueBest))

    # 缓慢降温至新的温度，
    iter = iter + 1
    tNow = tNow * alfa                              # 指数降温曲线：T(k)=alfa*T(k-1)

# 结束模拟退火过程

# 图形化显示优化结果
figure1 = plt.figure()     # 创建图形窗口 1
plot_tour(tourBest, valueBest, coordinates)
figure2 = plt.figure()     # 创建图形窗口 2
plt.title("Optimization result of TSP{:d}".format(nCities)) # 设置图形标题
plt.plot(np.array(recordBest),'b-', label='Best')           # 绘制 recordBest曲线
plt.plot(np.array(recordNow),'g-', label='Now')             # 绘制 recordNow曲线
plt.xlabel("iter")                                          # 设置 x轴标注
plt.ylabel("mileage of tour")                               # 设置 y轴标注
plt.legend()                                                # 显示图例
plt.show()

print("Tour verification successful!")
print("Best tour: \n", tourBest)
print("Best value: {:.1f}".format(valueBest))

exit()

if name == ‘main’:
main()

5、运行结果
程序的运行结果只供参考，显然这并不是最优结果。

Tour verification successful!
Best tour:
[18 7 40 2 16 17 31 38 39 36 24 27 26 11 50 3 5 4 23 47 37 14 42 9
8 32 10 51 13 12 25 46 28 29 1 6 41 20 30 21 0 48 35 34 33 43 45 15
49 19 22 44]
Best value: 9544.0
USB Microphone https://www.soft-voice.com/
Wooden Speakers https://www.zeshuiplatform.com/
亚马逊测评 www.yisuping.cn
深圳网站建设www.sz886.com