遗传算法求解TSP问题

遗传算法解决TSP问题 一.原理及问题描述 1.遗传算法原理 遗传算法的概念简单来说,就是利用种群搜索技术将种群作为一组问题解,通过对当前种群施加类似生物遗传环境因素的选择、交叉、变异等一系列的遗传操作来产生新一代的种群,并逐步使种群优化到包含近似最优解的状态。 2.TSP问题描述 TSP问题,即旅行商问题,是指对于给定的n个城市,旅行商从某一城市出发不重复的访问其余城市后回到出发城市,要求找出一条路线,路程最短。 3.... 阅读详情

TSP问题(Travelling Salesman Problem)即旅行商问题,又译为旅行推销员问题、货郎担问题,是数学领域中著名问题之一。假设有一个旅行商人要拜访n个城市,他必须选择所要走的路径,路径的限制是每个城市只能拜访一次,而且最后要回到原来出发的城市。路径的选择目标是要求得的路径路程为所有路径之中的最小值。

参考:用遗传算法求解TSP问题
相关博客

由于网上的结果只有路径图,而没有写明distance值,所以没法参照
迭代80000次结果,distance=147.0864047407135

""" 
@author: zoutai
@file: TSP_Solve.py 
@time: 2018/04/22 
@description: 旅行商问题求解
"""
import math
import random
import matplotlib.pyplot as plt

def geneticoptimize(popsize=50, step=1, mutprob=0.2, elite=0.2, mixiter=80000):

    # # 生成随机DNA
    # list1 = [i for i in range(lengthDNA)]
    # random.shuffle(list1)
    # print(list1)

    # 变异(交换)
    def mutate(list1):
        index1 = random.randint(0,lengthDNA - 1)
        index2 = random.randint(0,lengthDNA - 1)
        list1[index1], list1[index2] = list1[index2], list1[index1]
        return list1
    # 重组
    def cross(list1, list2):
        index1 = random.randint(0, lengthDNA - 1)
        index2 = random.randint(index1, lengthDNA - 1)
        tempGene = list2[index1:index2]
        newDNA = []
        temp = 0
        for gene in list1:
            if index1==temp:
                newDNA.extend(tempGene)
                temp+=1
            if gene not in tempGene:
                newDNA.append(gene)
                temp+=1
        return newDNA
    # 距离
    def distance(list1):
        distance = 0.0
        # i从-1到32,-1是倒数第一个
        if not isinstance(list1, list):
            print()
        index1, index2 = 0,0
        for i in range(len(list1)-1):
            index1, index2 = list1[i], list1[i + 1]
            # print(index1,index2)
            # print(i)
            distance += math.sqrt((float(cities[index1][4]) - float(cities[index2][5])) ** 2 + (float(cities[index1][6]) - float(cities[index2][7])) ** 2)

        # index2 = list1[len(list1)-1]
        distance += math.sqrt(
            (float(cities[index2][8]) - float(cities[0][9])) ** 2 + (float(cities[index2][10]) - float(cities[0][11])) ** 2)

        return distance


    cities = []
    for line in open('distanceMatrix.txt', 'r', encoding="utf8"):
        # 按照tab键分割
        cities.append(line.strip().split('\t'))
    lengthDNA = len(cities)

    # 开始
    # 第一步:初始化种群
    pop = []
    for i in range(popsize):
        list1 = [j for j in range(lengthDNA)]
        random.shuffle(list1)
        pop.append(list1.copy())

    # 进化选择数
    toplite = int(popsize * elite)

    # 进化选择,排序
    for i in range(mixiter):
        # 排序,进行物种进化选择
        distances = [(distance(v),v) for v in pop]
        distances.sort()
        ranked = [v for (s,v) in distances]

        pop = ranked[:toplite]
        while len(pop)<popsize:
            if random.random()<mutprob:
                c = random.randint(0,toplite)
                pop.append(mutate(ranked[c]))
            else:
                c1 = random.randint(0,toplite)
                c2 = random.randint(0,toplite)
                pop.append(cross(ranked[c1],ranked[c2]))
        print(distances[0][0])

    list1, distance = distances[0][12],distances[0][0]

    # 画图
    plt.figure()
    xlist = []
    ylist = []
    for i in list1:
        xlist.append(float(cities[i][13]))
        ylist.append(float(cities[i][14]))
    xlist.append(float(cities[list1[0]][15]))
    ylist.append(float(cities[list1[0]][16]))
    plt.plot(xlist,ylist,color='r')
    plt.scatter(xlist, ylist, color='b')
    plt.title('TSP_gen:'+str(distance))
    plt.show()
    return distances[0][17],distances[0][0]

list1, distance = geneticoptimize()
print(distance,list1)
遗传算法求解TSP问题(C++实现) 给定一组n个城市和俩俩之间的直达距离,寻找一条闭合的旅程,使得每个城市刚好经过一次且总的旅行距离最短。 TSP问题也称为货郎担问题,是一个古老的问题。最早可以追溯到1759年Euler提出的骑士旅行的问题。1948年,由美国兰德公司推动,TSP成为近代组合优化领域的典型难题。 TSP是一个具有广泛的应用背景和重要理论价值的组合优化问题。 近年来,有很多解决该问题的较为有效的算法不断被推出,例如Hopfield神经网络方法,模拟退火方法以及遗传算法方法等。 阅读详情

相关推荐

用遗传算法求解TSP问题

原文链接: http://zh.5long.me/2015/genetic-algorithm-on-tsp/遗传算法简介关于遗传算法,首先看一段维基百科的解释: 遗传算法是模仿自然界生物进化机制发展起来的随机全局搜索和优化方法,它借鉴了达尔文的进化论和孟德尔的遗传学说。其本质是一种高效、并行、全局搜索的方法,它能在搜索过程中自动获取和积累有关搜索空间的知识,并自适应的控制搜索过程以求得最优解。

張行之的专栏 4万+

人工智能--遗传算法求解TSP问题

文章目录前言一、遗传算法的概念遗传算法(Genetic Algorithm, GA):二、解决的问题对象三、 程序步骤1.针对TSP问题,确定编码2.针对TSP问题,适应度函数可定义为3.针对TSP问题,确定交叉规则对于采用整数编码表示的染色体,可以有以下交叉规则:(1)顺序交叉法(Order Crossover, OX)(2)基于顺序的交叉法(Order-Based Crossover, OBX)(3)基于位置的交叉法(Position-based Crossover, PBX)4.确定变异规则,以下变异

qq_50313560的博客 2万+

遗传算法求解TSP问题(python版)

简介 改进和实现遗传算法,用以对旅行商问题(TSP问题)进行建模和近似求解,从而深入对启发式算法的理解。 算法流程 遗传算法解决TSP的流程是以下几部分:初始化种群、计算适应度函数、选择、交叉、变异然后不断重复直到找到理想的解。 模型设定 I 种群初始化。 需要设定的参数是随机生成的初始解的数量,该数量过少会导致种群多样性不足,数量过多会降低算法的效率,我们设定种群规模(初始解数量为150)。 II 适应度函数。 根据数据集说明,其最优解采用的边权重类型为:EDGE_WEIGHT_TYPE : EUC_2D

xieju0605的博客 1万+

遗传算法解决TSP问题(完整报告,含全部代码)

TSP 问题是一个组合优化问题,旅行商问题也是一个 NP 完全问题,使用通常的解法往往需要耗费大量的时间,使用遗传算法,在较短的时间里找到一个可接受的解,但是不一定是最优的解。

weixin_51854003的博客 4万+

遗传算法解决TSP问题(全)

遗传算法解决TSP问题···································································································································

Clion编译stm32cube初始化工程时non constant or forward reference address expression for section .ARM.extab报错

相信应该有同学在看了稚晖君关于clion开发stm32的文章之后也想在自己PC上实现“优雅の嵌入式开发”遇到和我类似的问题。他的文章是22年写的,我个人猜测应当是版本更新导致的不适配。意思就是说 READONLY 只能在gcc11以后的版本中使用,gcc10及以前的版本将无法正确识别,也就有如下错误。或者就可以将gcc升级至最新的版本。记得在clion工具链中修改c,cpp编译器的位置。可以将文本括号中的 READONLY 全部删除。当时由于没有注意到这行注释导致在这里卡了好久。

2301_77256849的博客 2515

遗传算法求解TSP问题的总结

一、遗传算法:Genetic Algorithm 优化求解问题的一种方法,模拟生物进化过程,所以称遗传算法。 遗传算法的内容: 1)、编码 2)、适应度函数 3)、遗传进化       1.编码 遗传算法不能直接处理问题空间的参数,必须把它们转换成遗传空间的由基因按一定结构组成的染色体或个体。这一转换操作就叫做编码,也可以称作(问题的)表示。 评估编码策略常

Qer的博客 5409

解决VMware与Hyper-V/Device Guard冲突的实用指南

本文详细解析了VMware与Hyper-V/Device Guard冲突的根源,并提供了三种实用的解决方案:彻底关闭相关功能、通过启动配置实现选择性引导,以及使用VMware Workstation Pro的Hyper-V兼容模式。指南包含清晰的诊断步骤、操作命令和避坑建议,帮助用户根据自身需求灵活选择,实现虚拟化环境的稳定运行或高效共存。

weixin_29306317的博客 687

遗传算法求解TSP旅行商问题

旅行商问题 旅行商问题(traveling salesman problem,TSP)可描述为:已知N个城市之间的相互距离,现有一个商人必须遍访这N个城市,并且每个城市只能访问一次,最后又必须返回出发城市。如何安排他对这些城市的访问次序,使其旅行路线总长度最短。 旅行商问题是一个典型的组合优化问题,其可能的路径数目是与城市数目N呈指数型增长的,一般很难精确地求出其最优解,因而寻找其有效的近似求解算法具有重要的理论意义,特别是当N的数目很大时,用常规的方法求解计算量太大。对庞大的搜索空间中寻求最优解,对

如何心安理得的在老板眼皮下摸鱼 1万+

SocraticLM: Exploring Socratic Personalized Teaching with Large Language Models

大型语言模型(LLM)被认为是推进智能教育的一项关键技术,因为它们展示了深入理解教学场景和为学生提供个性化指导的潜力。然而,当前个性化教学中基于LLM的应用主要遵循“问答”范式,学生被动地获得答案和解释。在本文中,我们提出了苏格拉底式教学模式(SocraticLM ),它实现了一种苏格拉底式的“发人深省”的教学范式,实现了真正的课堂教师的角色,让学生积极参与到真正掌握解决问题所需的思考过程中。

weixin_43961909的博客 2887

【光斑定位】空间激光通信、光斑定位、CCD、光斑定位——13000字

0.完整源码获得方式 订阅MATLAB/FPGA教程,免费获得教程案例以及任意2份完整源码 ----------------------------------------------------------------- 空间激光通信是指以光波作为载波进行数据传输的一种通信方式。目前,空间激光通信己成为人们关注的焦点。在空间激光通信系统中,光斑定位是是一项关键技术。 本论文首先对国内外空间激光通信系统的研究现状进行了阐述,论述了空间激光通信的理论只是,并对CCD成像原理,...

FPGA/MATLAB学习教程/源码/项目合作开发 1292

基于遗传算法求解TSP问题

GA-TSP

Fine的优快云博客 1507

基于共识的捆绑算法CBBA在多无人机多任务调度中的实现

在捆绑过程中,每个无人机根据自己的任务清单和其他无人机的任务清单,确定一个被称为“束”的集合。通过合理的任务分配和无人机协作,CBBA算法能够实现最优的任务调度,提高了多无人机系统的效率和执行能力。在每一轮迭代中,无人机根据自己的当前任务和位置信息将任务清单发送给其他无人机,并接收其他无人机发送过来的任务清单。通过比较其他无人机的任务清单和自身的任务清单,每个无人机可以更新自己的任务分配情况。在这一步中,每个无人机根据自己选择的新任务,更新自身的任务清单,并将更新后的清单发送给其他无人机。

持续更新 1156

遗传算法求解TSP问题python实现

文章目录1 遗传算法总体设计2 算子设计2.1 选择算子2.2 交叉算子2.3 变异算子2.4 将种群的个体按照里程排序,并返回当前种群中的最优个体及其里程2.5 设置种群数,变异概率及其进化次数2.6 主函数3 实验结果分析4 附python源码(完整版) 1 遗传算法总体设计 Step1: 初始化参数(种群数、进化次数、变异概率,此次实验并未用到交叉概率,交叉由保留的父代随机进行); Step2: 初始种群由贪婪算法求得的个体以及其他随机生成的个体构成,评价每一个个体的适配值(路径里程决定);

行者的博客 7786

6.6kW的车载充电器(On-Board Charger, OBC)电路分析

图片展示了6.6kW的车载充电器(On-Board Charger, OBC)电路,其中包含双向和单向两种拓扑结构。接下来我们将深入分析每个模块的设计、原理及其优势,以帮助理解不同结构在实际应用中的选型和应用。

weixin_43199439的博客 5687

块存储:AIO的直接写流程注释

提交io流程中aio_write之前函数的注释,可参考“块存储:AIO的直接读流程注释”。

yiyeguzhou100的专栏 1336
上一篇: 集体智慧编程5-优化算法-爬山法、模拟退火、遗传算法
下一篇: 路径搜索算法-A星算法
随风而醒
博客等级 码龄11年 96粉丝 217原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值