基于遗传算法交叉算子的混合型粒子群算法实现TSP问题（大致流程）

最新推荐文章于 2025-11-03 14:29:50 发布

原创

最新推荐文章于 2025-11-03 14:29:50 发布 · 511 阅读

1 ·

CC 4.0 BY-SA版权

文章标签：

#算法 #python #开发语言

该文运用粒子群优化算法（PSO）解决路径规划问题。首先随机生成种群，计算每个个体的适应度值。然后确定全局最优解和当前最优解。通过多轮迭代，不断更新粒子路径，最终找到最优路线。在每次迭代中，依据权重和速度更新规则决定粒子的新位置，确保算法收敛于全局最优路径。

#初始化种群，随机生成
birdPop = [random.sample(range(len(CityCoordinates)),len(CityCoordinates))for i in range(birdNum）]
birdNum:100个粒子，这里代表100个list。
birdPop:100个list，每个list中包含30个城市，每个list随机生成。

#计算种群适应度
fits = [calFitness(birdPop[i] , dis_matrix) for i in range(birdNum)]
循环100次，得到每组粒子对应的sum，共100组数据。

/* #计算城市间距离(欧式距离）
dis_matrix = spatial.distance.cdist(CityCoordinates, CityCoordinates, metric = ‘eucliden’)
dis_matrix:分别得到以0-29的城市为起始点的距离。

def calFitness(line,dis_matrix)
input:line - road, dis_matrix -城市间距离矩阵
output: 路径距离 - dis_sum */

#全局最优值、当前最优值
gBest = pBest = min(fits)

#全局最优解、当前最优解（路径）
#根据min(fits)得到相应的birdPop中的最优路径
gLine = pLine = birdPop[fits.index(min(fits))]

#迭代开始(500次，每次有100组),得到全局最优解和全局最优路径
while iterI <= iterMax:
#从第一组开始，每次循环选取一组数据作为parent1
[2, 0, 25, 27, 22, 6, 20, 21, 16, 8, 11, 17, 7, 9, 24, 29, 4, 18, 26, 19, 3, 28, 13, 1, 10, 15, 23, 5, 12, 14]
#之前得到的pLine、gLine作为pa