遗传算法求最短路径（旅行商问题）python实现

灰太狼 2022-11-09 01:29 401阅读 0赞

问题描述  
一个商品推销员要去若干个城市推销商品，该推销员从一个城市出发，需要经过所有城市后，回到出发地。应如何选择行进路线，以使总的行程最短。  
对于n个城市的TSP，本文利用python分别实现遗传算法对该问题的求解。

## 遗传算法 ##

原理见链接  
[遗传算法原理及其python实现][python]  
遗传算法的基本运算过程如下：

1.  初始化编码：设置最大进化代数T\_max、选择概率、交叉概率、变异概率、随机生成m个染色体的群体，每个染色体的编码对于一个可行的路径（如6个城市，\[1,3,2,6,4,5\]就是一条可行路径）
2.  适应度函数：对每一个染色体 Xk，其个体适应度函数设置为 f(Xk)=1/Dk ，其中Dk 表示该条路径的总长度。
3.  选择：将旧群体中的染色体以一定概率选择到新群体，每条染色体选中的概率与对应的适应度函数只相对应，本文采用随机遍历选择。
4.  交叉：在交叉概率的控制下，对选择群体中的个体进行两两交叉。
5.  变异：在变异概率的控制下，对单个染色体随机交换两个点的位置
6.  进化逆转：将选择的染色体随机选择两个位置r1:r2 ，将 r1:r2 的元素翻转为 r2:r1 ，如果翻转后的适应度更高，则替换原染色体，否则不变。
7.  重插：选择的子代与父代结合，形成新的种群，循环操作

流程图如下  
![20210314164310576.jpg_pic_center][]  
或者  
![2020110610522047.png_pic_center][]

## 代码 ##

from math import floor
    import numpy as np
    import matplotlib.pyplot as plt  # 导入所需要的库
    
    class Gena_TSP(object):
        def __init__(self ,data ,maxgen=200 ,size_pop=200 ,cross_prob=0.9 ,pmuta_prob=0.01 ,select_prob=0.8):
            self.maxgen = maxgen  # 最大迭代次数
            self.size_pop = size_pop  # 群体个数
            self.cross_prob = cross_prob  # 交叉概率
            self.pmuta_prob = pmuta_prob  # 变异概率
            self.select_prob = select_prob  # 选择概率
    
            self.data = data  # 城市的左边数据
            self.num =len(data)  # 城市个数 对应染色体长度
            # 距离矩阵n*n, 第[i,j]个元素表示城市i到j距离matrix_dis函数见下文
            self.matrix_distance = self.matrix_dis()
    
            # 通过选择概率确定子代的选择个数
            self.select_num = max(floor(self.size_pop * self.select_prob + 0.5), 2)
    
            # 父代和子代群体的初始化（不直接用np.zeros是为了保证单个染色体的编码为整数，np.zeros对应的数据类型为浮点型）
            self.chrom = np.array([0] * self.size_pop * self.num).reshape(self.size_pop, self.num)#父 print(chrom.shape)(200, 14)
            self.sub_sel = np.array([0] * self.select_num * self.num).reshape(self.select_num, self.num)#子 (160, 14)
    
            # 存储群体中每个染色体的路径总长度，对应单个染色体的适应度就是其倒数 #print(fitness.shape)#(200,)
            self.fitness = np.zeros(self.size_pop)
    
    
            self.best_fit = []##最优距离
            self.best_path = []#最优路径
    
        # 计算城市间的距离函数 n*n, 第[i,j]个元素表示城市i到j距离
        def matrix_dis(self):
            res = np.zeros((self.num, self.num))
            for i in range(self.num):
                for j in range(i + 1, self.num):
                    res[i, j] = np.linalg.norm(self.data[i, :] - self.data[j, :])#求二阶范数 就是距离公式
                    res[j, i] = res[i, j]
            return res
    
        # 随机产生初始化群体函数
        def rand_chrom(self):
            rand_ch = np.array(range(self.num)) ## num 城市个数 对应染色体长度 =14
            for i in range(self.size_pop):#size_pop # 群体个数 200
                np.random.shuffle(rand_ch)#打乱城市染色体编码
                self.chrom[i, :] = rand_ch
                self.fitness[i] = self.comp_fit(rand_ch)
    
        # 计算单个染色体的路径距离值，可利用该函数更新fittness
        def comp_fit(self, one_path):
            res = 0
            for i in range(self.num - 1):
                res += self.matrix_distance[one_path[i], one_path[i + 1]] #matrix_distance n*n, 第[i,j]个元素表示城市i到j距离
            res += self.matrix_distance[one_path[-1], one_path[0]]#最后一个城市 到起点距离
            return res
    
        # 路径可视化函数
        def out_path(self, one_path):
            res = str(one_path[0] + 1) + '-->'
            for i in range(1, self.num):
                res += str(one_path[i] + 1) + '-->'
            res += str(one_path[0] + 1) + '\n'
            print(res)
    
        # 子代选取，根据选中概率与对应的适应度函数，采用随机遍历选择方法
        def select_sub(self):
            fit = 1. / (self.fitness)  # 适应度函数
            cumsum_fit = np.cumsum(fit)#累积求和 a = np.array([1,2,3]) b = np.cumsum(a) b=1 3 6
            pick = cumsum_fit[-1] / self.select_num * (np.random.rand() + np.array(range(self.select_num)))#select_num 为子代选择个数 160
            i, j = 0, 0
            index = []
            while i < self.size_pop and j < self.select_num:
                if cumsum_fit[i] >= pick[j]:
                    index.append(i)
                    j += 1
                else:
                    i += 1
            self.sub_sel = self.chrom[index, :]#chrom 父
    
        # 交叉，依概率对子代个体进行交叉操作
        def cross_sub(self):
            if self.select_num % 2 == 0:#select_num160
                num = range(0, self.select_num, 2)
            else:
                num = range(0, self.select_num - 1, 2)
            for i in num:
                if self.cross_prob >= np.random.rand():
                    self.sub_sel[i, :], self.sub_sel[i + 1, :] = self.intercross(self.sub_sel[i, :], self.sub_sel[i + 1, :])
    
        def intercross(self, ind_a, ind_b):#ind_a，ind_b 父代染色体 shape=(1,14) 14=14个城市
            r1 = np.random.randint(self.num)#在num内随机生成一个整数 ，num=14.即随机生成一个小于14的数
            r2 = np.random.randint(self.num)
            while r2 == r1:#如果r1==r2
                r2 = np.random.randint(self.num)#r2重新生成
            left, right = min(r1, r2), max(r1, r2)#left 为r1,r2小值 ，r2为大值
            ind_a1 = ind_a.copy()#父亲
            ind_b1 = ind_b.copy()# 母亲
            for i in range(left, right + 1):
                ind_a2 = ind_a.copy()
                ind_b2 = ind_b.copy()
                ind_a[i] = ind_b1[i]#交叉 （即ind_a （1,14） 中有个元素 和ind_b互换
                ind_b[i] = ind_a1[i]
                x = np.argwhere(ind_a == ind_a[i])
                y = np.argwhere(ind_b == ind_b[i])
    
                """ 下面的代码意思是 假如 两个父辈的染色体编码为【1234】，【4321】 交叉后为【1334】，【4221】 交叉后的结果是不满足条件的，重复个数为2个 需要修改为【1234】【4321】（即修改会来 """
                if len(x) == 2:
                    ind_a[x[x != i]] = ind_a2[i]#查找ind_a 中元素=- ind_a[i] 的索引
                if len(y) == 2:
                    ind_b[y[y != i]] = ind_b2[i]
            return ind_a, ind_b
    
        # 变异模块 在变异概率的控制下，对单个染色体随机交换两个点的位置。
        def mutation_sub(self):
            for i in range(self.select_num):#遍历每一个 选择的子代
                if np.random.rand() <= self.cross_prob:#如果随机数小于变异概率
                    r1 = np.random.randint(self.num)#随机生成小于num==14 的数
                    r2 = np.random.randint(self.num)
                    while r2 == r1:#如果相同
                        r2 = np.random.randint(self.num)#r2再生成一次
                    self.sub_sel[i, [r1, r2]] = self.sub_sel[i, [r2, r1]]#随机交换两个点的位置。
    
        # 进化逆转 将选择的染色体随机选择两个位置r1:r2 ，将 r1:r2 的元素翻转为 r2:r1 ，如果翻转后的适应度更高，则替换原染色体，否则不变
        def reverse_sub(self):
            for i in range(self.select_num):#遍历每一个 选择的子代
                r1 = np.random.randint(self.num)#随机生成小于num==14 的数
                r2 = np.random.randint(self.num)
                while r2 == r1:#如果相同
                    r2 = np.random.randint(self.num)#r2再生成一次
                left, right = min(r1, r2), max(r1, r2)#left取r1 r2中小值，r2取大值
                sel = self.sub_sel[i, :].copy()#sel 为父辈染色体 shape=（1,14）
    
                sel[left:right + 1] = self.sub_sel[i, left:right + 1][::-1]#将染色体中(r1:r2)片段 翻转为（r2:r1)
                if self.comp_fit(sel) < self.comp_fit(self.sub_sel[i, :]):#如果翻转后的适应度小于原染色体，则不变
                    self.sub_sel[i, :] = sel
    
        # 子代插入父代，得到相同规模的新群体
        def reins(self):
            index = np.argsort(self.fitness)[::-1]#替换最差的（倒序）
            self.chrom[index[:self.select_num], :] = self.sub_sel
    
    
    #路径坐标
    data = np.array([16.47,96.10,16.47,94.44,20.09,92.54,
        22.39,93.37,25.23,97.24,22.00,96.05,20.47,97.02,
        17.20,96.29,16.30,97.38,14.05,98.12,16.53,97.38,
        21.52,95.59,19.41,97.13,20.09,92.55]).reshape(14,2)
    def main(data):
        Path_short = Gena_TSP(data)  # 根据位置坐标，生成一个遗传算法类
        Path_short.rand_chrom()  # 初始化父类
    
        ## 绘制初始化的路径图
        fig, ax = plt.subplots()
        x = data[:, 0]
        y = data[:, 1]
        ax.scatter(x, y, linewidths=0.1)
        for i, txt in enumerate(range(1, len(data) + 1)):
            ax.annotate(txt, (x[i], y[i]))
        res0 = Path_short.chrom[0]
        x0 = x[res0]
        y0 = y[res0]
        for i in range(len(data) - 1):
            plt.quiver(x0[i], y0[i], x0[i + 1] - x0[i], y0[i + 1] - y0[i], color='r', width=0.005, angles='xy', scale=1,
                       scale_units='xy')
        plt.quiver(x0[-1], y0[-1], x0[0] - x0[-1], y0[0] - y0[-1], color='r', width=0.005, angles='xy', scale=1,
                   scale_units='xy')
        plt.show()
        print('初始染色体的路程: ' + str(Path_short.fitness[0]))
    
        # 循环迭代遗传过程
        for i in range(Path_short.maxgen):
            Path_short.select_sub()  # 选择子代
            Path_short.cross_sub()  # 交叉
            Path_short.mutation_sub()  # 变异
            Path_short.reverse_sub()  # 进化逆转
            Path_short.reins()  # 子代插入
    
            # 重新计算新群体的距离值
            for j in range(Path_short.size_pop):
                Path_short.fitness[j] = Path_short.comp_fit(Path_short.chrom[j, :])
    
            # 每隔三十步显示当前群体的最优路径
            index = Path_short.fitness.argmin()
            if (i + 1) % 30 == 0:
                print('第' + str(i + 1) + '步后的最短的路程: ' + str(Path_short.fitness[index]))
                print('第' + str(i + 1) + '步后的最优路径:')
                Path_short.out_path(Path_short.chrom[index, :])  # 显示每一步的最优路径
    
            # 存储每一步的最优路径及距离
            Path_short.best_fit.append(Path_short.fitness[index])
            Path_short.best_path.append(Path_short.chrom[index, :])
    
        res1 = Path_short.chrom[0]
        x0 = x[res1]
        y0 = y[res1]
        for i in range(len(data) - 1):
            plt.quiver(x0[i], y0[i], x0[i + 1] - x0[i], y0[i + 1] - y0[i], color='r', width=0.005, angles='xy', scale=1,
                       scale_units='xy')
        plt.quiver(x0[-1], y0[-1], x0[0] - x0[-1], y0[0] - y0[-1], color='r', width=0.005, angles='xy', scale=1,
                   scale_units='xy')
        plt.show()
    
        return Path_short  # 返回遗传算法结果类
    
    Path_short=main(data)
    print(Path_short)

初始  
![20210314160341243.png][]  
最终  
![20210314160440753.png][]  
![20210314160523193.png][]

讲解

计算城市间的距离函数

# 计算城市间的距离函数 n*n, 第[i,j]个元素表示城市i到j距离
        def matrix_dis(self):
            res = np.zeros((self.num, self.num))
            for i in range(self.num):
                for j in range(i + 1, self.num):
                    res[i, j] = np.linalg.norm(self.data[i, :] - self.data[j, :])#求二阶范数 就是距离公式
                    res[j, i] = res[i, j]
            return res

随机产生初始化群体函数

# 随机产生初始化群体函数
        def rand_chrom(self):
            rand_ch = np.array(range(self.num)) ## num 城市个数 对应染色体长度 =14
            for i in range(self.size_pop):#size_pop # 群体个数 200
                np.random.shuffle(rand_ch)#打乱城市染色体编码
                self.chrom[i, :] = rand_ch
                self.fitness[i] = self.comp_fit(rand_ch)

计算单个染色体的路径距离值，可利用该函数更新self.fittness

def comp_fit(self, one_path):
            res = 0
            for i in range(self.num - 1):
                res += self.matrix_distance[one_path[i], one_path[i + 1]] #matrix_distance n*n, 第[i,j]个元素表示城市i到j距离
            res += self.matrix_distance[one_path[-1], one_path[0]]#最后一个城市 到起点距离
            return res

子代选取，根据选中概率与对应的适应度函数，采用随机遍历选择方法

def select_sub(self):
            fit = 1. / (self.fitness)  # 适应度函数
            cumsum_fit = np.cumsum(fit)#累积求和 a = np.array([1,2,3]) b = np.cumsum(a) b=1 3 6
            pick = cumsum_fit[-1] / self.select_num * (np.random.rand() + np.array(range(self.select_num)))#select_num 为子代选择个数 160
            i, j = 0, 0
            index = []
            while i < self.size_pop and j < self.select_num:
                if cumsum_fit[i] >= pick[j]:
                    index.append(i)
                    j += 1
                else:
                    i += 1
            self.sub_sel = self.chrom[index, :]#chrom 父

交叉，依概率对子代个体进行交叉操作

def cross_sub(self):
            if self.select_num % 2 == 0:#select_num160
                num = range(0, self.select_num, 2)
            else:
                num = range(0, self.select_num - 1, 2)
            for i in num:
                if self.cross_prob >= np.random.rand():
                    self.sub_sel[i, :], self.sub_sel[i + 1, :] = self.intercross(self.sub_sel[i, :], self.sub_sel[i + 1, :])
      def intercross(self, ind_a, ind_b):#ind_a，ind_b 父代染色体 shape=(1,14) 14=14个城市
            r1 = np.random.randint(self.num)#在num内随机生成一个整数 ，num=14.即随机生成一个小于14的数
            r2 = np.random.randint(self.num)
            while r2 == r1:#如果r1==r2
                r2 = np.random.randint(self.num)#r2重新生成
            left, right = min(r1, r2), max(r1, r2)#left 为r1,r2小值 ，r2为大值
            ind_a1 = ind_a.copy()#父亲
            ind_b1 = ind_b.copy()# 母亲
            for i in range(left, right + 1):
                ind_a2 = ind_a.copy()
                ind_b2 = ind_b.copy()
                ind_a[i] = ind_b1[i]#交叉 （即ind_a （1,14） 中有个元素 和ind_b互换
                ind_b[i] = ind_a1[i]
                x = np.argwhere(ind_a == ind_a[i])
                y = np.argwhere(ind_b == ind_b[i])
    
                """ 下面的代码意思是 假如 两个父辈的染色体编码为【1234】，【4321】 交叉后为【1334】，【4221】 交叉后的结果是不满足条件的，重复个数为2个 需要修改为【1234】【4321】（即修改会来 """
                if len(x) == 2:
                    ind_a[x[x != i]] = ind_a2[i]#查找ind_a 中元素=- ind_a[i] 的索引
                if len(y) == 2:
                    ind_b[y[y != i]] = ind_b2[i]
            return ind_a, ind_b

变异模块

# 变异模块 在变异概率的控制下，对单个染色体随机交换两个点的位置。
        def mutation_sub(self):
            for i in range(self.select_num):#遍历每一个 选择的子代
                if np.random.rand() <= self.cross_prob:#如果随机数小于变异概率
                    r1 = np.random.randint(self.num)#随机生成小于num==14 的数
                    r2 = np.random.randint(self.num)
                    while r2 == r1:#如果相同
                        r2 = np.random.randint(self.num)#r2再生成一次
                    self.sub_sel[i, [r1, r2]] = self.sub_sel[i, [r2, r1]]#随机交换两个点的位置。

进化逆转

# 进化逆转 将选择的染色体随机选择两个位置r1:r2 ，将 r1:r2 的元素翻转为 r2:r1 ，如果翻转后的适应度更高，则替换原染色体，否则不变
        def reverse_sub(self):
            for i in range(self.select_num):#遍历每一个 选择的子代
                r1 = np.random.randint(self.num)#随机生成小于num==14 的数
                r2 = np.random.randint(self.num)
                while r2 == r1:#如果相同
                    r2 = np.random.randint(self.num)#r2再生成一次
                left, right = min(r1, r2), max(r1, r2)#left取r1 r2中小值，r2取大值
                sel = self.sub_sel[i, :].copy()#sel 为父辈染色体 shape=（1,14）
    
                sel[left:right + 1] = self.sub_sel[i, left:right + 1][::-1]#将染色体中(r1:r2)片段 翻转为（r2:r1)
                if self.comp_fit(sel) < self.comp_fit(self.sub_sel[i, :]):#如果翻转后的适应度小于原染色体，则不变
                    self.sub_sel[i, :] = sel

子代插入父代，得到相同规模的新群体

# 子代插入父代，得到相同规模的新群体
        def reins(self):
            index = np.argsort(self.fitness)[::-1]
            self.chrom[index[:self.select_num], :] = self.sub_sel

![在这里插入图片描述][20210314164725952.jpg_pic_center]  
作者：电气-余登武  
![20210316110657268.jpg_pic_center][]

[python]: https://blog.csdn.net/kobeyu652453/article/details/109527260
[20210314164310576.jpg_pic_center]: /images/20221023/a3f26a643d184cc8b07b4e087607757c.png
[2020110610522047.png_pic_center]: /images/20221023/26230f89cb9a4804a4e9b87e29faab04.png
[20210314160341243.png]: /images/20221023/df55b319cb6846f1b1b6b9458847abd5.png
[20210314160440753.png]: /images/20221023/d7ead77f1e424c57b53b2ab0a945e250.png
[20210314160523193.png]: /images/20221023/0c94fb02f5f542419113c18f4591693b.png
[20210314164725952.jpg_pic_center]: /images/20221023/154da41b413e446c938ce545abae2822.png
[20210316110657268.jpg_pic_center]: /images/20221023/eb70854a67be454aad4a941bb81cd791.png