旅行商问题(动态规划_爬山算法_遗传算法)
问题描述
旅行商问题（Travelling Salesman Problem, 简记TSP，亦称货郎担问题)：设有n个城市和距离矩阵D=[dij]，其中dij表示城市i到城市j的距离，i，j=1，2 … n，则问题是要找出遍访每个城市恰好一次的一条回路并使其路径长度为最短。
一、动态规划解决旅行商问题
要使用动态规划，需要问题本身有最优子结构，我们需要找到要解决的问题的子问题。题目要求，从0(a)出发，经过[1(b),2©,3(d)]这几个城市，然后回到0，使得花费最少。要实现这个要求，需要从下面三个实现方案中选择花费最少的方案。
从0出发，到1，然后再从1出发，经过[2,3]这几个城市，然后回到0，使得花费最少。
从0出发，到2，然后再从2出发，经过[1,3]这几个城市，然后回到0，使得花费最少。
从0出发，到3，然后再从3出发，经过[1,2]这几个城市，然后回到0，使得花费最少。
可以发现，三个小的解决方案的最优解，构成了大的解决方案，所以这个问题具有最优子结构，可以用动态规划来实现。
设置一个二维的动态规划表dp,定义符号{1,2,3}表示经过[1,2,3]这几个城市，然后回到0。
设置一个二维数组l保存两个城市之间的距离。
那么题目就是求dp[0][{1,2,3}]。将{1,2,3}表示成二进制，就是111，对应10进制的7，所以题目是在求dp[0][7];
要求三个方案的最小值意味：
dp[0][{1,2,3}] = min{l[0][1]+dp[1][{2,3}] ，l[0][2]+dp[2][{1,3}] ，l[0][3]+dp[3][{1,2}]}
dp[1][{2,3}] = min{ l[1][2]+dp[2][{3}] ，l[1][3]+dp[3][{2}]}
dp[2][{3}] = l[2][3]+dp[3][{}]
dp[3][{}]就是从3出发，不经过任何城市，回到0的花费，所以dp[3][{}] = l[3][0]
1.1 相关代码：
#确定结点个数和权值
def prepare(self):
# 初始化dp和权值矩阵value
Max = 1000
temp = []
tmp = []
for i in range(Max):
for j in range(Max):
temp.append(0x7ffff)
tmp.append(0)
# print(temp)
self.dp.append(copy.deepcopy(temp))
self.value.append(copy.deepcopy(tmp))
temp.clear()
tmp.clear()
self.value[0][1] = self.value[1][0] = 2
self.value[0][2] = self.value[2][0] = 5
self.value[0][3] = self.value[3][0] = 7
self.value[1][2] = self.value[2][1] = 8
self.value[1][3] = self.value[3][1] = 3
self.value[2][3] = self.value[3][2] = 1
#动态规划求解旅行商问题
'''
dp[0][{1,2,3}] = min{l[0][1]+dp[1][{2,3}] ，l[0][2]+dp[2][{1,3}] ，l[0][3]+dp[3][{1,2}]}
dp[1][{2,3}] = min{ l[1][2]+dp[2][{3}] ，l[1][3]+dp[3][{2}]}
dp[2][{3}] = l[2][3]+dp[3][{}] = l[2][3]+ l[3][0]
'''
def dp_method(self):
#初始化dp数组第一列
for i in range(self.n):
self.dp[i][0] = self.value[i][0]
col = 1<< self.n - 1
print(col)
for j in range(1,col):
for i in range(self.n):
#i为走过的城市，如果j中包含该城市，就跳过
if i != 0 and j >> (i-1) & 1:
continue
'''
从2出发，要去{1,3}。
先看去1的路，去了1集合{1,3}中只剩下{3} ,{3}对应4,所以要求的dp表就是dp[1][4],这个4可以通过(101) ^ (1)得到,(1) = 1<<(1-1)
再看去2的路，5 = 101的第二位是0，所以不能去2。判断第二位为1，用(5>>(2-1)) &1==1。而且也由于从2出发，就更不能去了。
最后看去3的路，去了3集合{1,3}中只剩下{1},{1}对应这1，所以要求的dp表就是dp[3][1],1通过(101) ^ (100)得到。(100) = 1<<(3-1)
'''
for k in range(1,col):
#判断是否要经过k城市，不能经过就跳过
if j>>(k-1)&1 == 0:
continue
if self.dp[i][j] > self.value[i][k] + self.dp[k][j ^ (1 << (k-1))]:
self.dp[i][j] = self.value[i][k] + self.dp[k][j ^ (1 << (k - 1))]
1.2 运行结果：
二、爬山法解决旅行商问题
爬山算法是一种局部择优的方法，采用启发式方法，是对深度优先搜索的一种改进，它利用反馈信息帮助生成解的决策。 该算法每次从当前解的临近解空间中选择一个最优解作为当前解，直到达到一个局部最优解。属于人工智能算法的一种。
爬山算法实现很简单，其主要缺点是会陷入局部最优解，而不一定能搜索到全局最优解。
#爬山算法思路
#1、随机生成一个城市排序，计算该顺序下所耗总路程,并假设为最短距离
#2、设定爬山算法总代数
#3、若当前代数小于总次数，则随机交换两个城市的顺序，计算总路程，否则第5步
#4、若该次总路程小于假设的最短距离，则更新最短距离，否则继续第3步
#5、输出此时的最短距离，和城市访问顺序
2.1 相关代码：
def prepare_for_hill_climbing_and_genetic_algorithm(self):
#读取34个城市坐标
#存放城市名和坐标的字典,valuse存放的是元组
data = xlrd.open_workbook('中国省会城市坐标.xlsx')
table = data.sheets()[0]
row = table.nrows
#城市数量
self.num = row
self.citys = {
}
self.citys_name = []
for i in range(row):
self.citys[table.cell_value(i,0)] = (table.cell_value(i,1),table.cell_value(i,2))
self.citys_name.append(table.cell_value(i,0))
#print(self.citys)
#print(self.citys_name)
#求两城市间的距离(欧氏距离)
def distance(self,city_a,city_b):
#dist代表距离
x = city_a[0] - city_b[0]
y = city_a[1] - city_b[1]
dist = (x**2 + y**2)**0.5
return dist
#根据访问顺序求总距离
def all_distance(self,citys_num):
#sum初始化为最后一个城市到第一个城市的距离
sum = self.distance(self.citys[self.citys_name[citys_num[0]]],self.citys[self.citys_name[citys_num[len(citys_num)-1]]])
for i in range(len(citys_num)-1):
citys_a = self.citys[self.citys_name[citys_num[i]]]
citys_b = self.citys[self.citys_name[citys_num[i+1]]]
sum += self.distance(citys_a,citys_b)
return sum
#爬山算法思路
#1、随机生成一个城市排序，计算该顺序下所耗总路程,并假设为最短距离
#2、设定爬山算法总代数
#3、若当前代数小于总次数，则随机交换两个城市的顺序，计算总路程，否则第5步
#4、若该次总路程小于假设的最短距离，则更新最短距离，否则继续第3步
#5、输出此时的最短距离，和城市访问顺序
def hill_climbing(self):
#给城市编号
citys_num = list(range(self.num))
#打乱城市访问顺序
shuffle(citys_num)
#初始化最短顺序
ans = copy.deepcopy(citys_num)
#初始化最短顺序出现的代数
generation = 0
#计算总距离
shortest_distance = self.all_distance(citys_num)
print("初始距离:{}".format(self.all_distance(citys_num)))
#设定总代数
generations = 100000
#x轴
x = []
x.append(0)
#y轴
y = []
y.append(shortest_distance)
a = 0
#print(random.randint(0, 10))
while a < generations:
a += 1
#随机交换两城市顺序
c1 = random.randint(0, 10)
c2 = random.randint(0, 10)
temp = citys_num[c1]
citys_num[c1] = citys_num[c2]
citys_num[c2] = temp
dist = self.all_distance(citys_num)
if dist < shortest_distance:
x.append(a)
y.append(dist)
shortest_distance = dist
print(shortest_distance)
ans = copy.deepcopy(citys_num)
generation = a
print("最短距离:{}".format(shortest_distance))
print("最短访问顺序:{}".format(ans))
print("最短访问顺序出现的代数:{}".format(generation))
plt.title("hill_climbing")
plt.xlabel("generations")
plt.ylabel("distance")
plt.plot(x, y, "ob")
plt.show()
#画线路图
self.drawPic(ans)
#画路线图
def drawPic(self,citys_num):
dots = []
for i in range(len(citys_num)):
temp = []
temp.append(self.citys[self.citys_name[citys_num[i]]][0])
temp.append(self.citys[self.citys_name[citys_num[i]]][1])
dots.append(temp)
temp = []
temp.append(self.citys[self.citys_name[citys_num[0]]][0])
temp.append(self.citys[self.citys_name[citys_num[0]]][1])
dots.append(temp)
plt.figure(figsize=(10, 6))
plt.xlim(85.00000, 130, 0.002) # x轴的刻度范围
plt.ylim(15, 50, 0.001) # y轴的刻度范围
plt.xlabel('城市经度', fontproperties="simhei") # x轴的标题
plt.ylabel('城市纬度', fontproperties="simhei") # y轴的标题
# 绘制各个点及点所代表地点名称
for i in range(len(dots) - 1):
plt.text(dots[i][0], dots[i][1], self.citys_name[citys_num[i]], color='#0085c3', fontproperties="simhei")
plt.plot(dots[i][0], dots[i][1], 'o', color='#0085c3')
# 连接各个点
for i in range(len(dots) - 1):
start = (dots[i][0], dots[i + 1][0])
end = (dots[i][1],dots[i + 1][1])
plt.plot(start, end, color='#000000')
plt.show()
2.2 运行结果：
城市数据：
City(116.41667, 39.91667, “北京”),
City(121.43333, 34.50000, “上海”),
City(113.00000, 28.21667, “长沙”),
City(106.26667, 38.46667, “银川”),
City(109.50000, 18.20000, “三亚”),
City(112.53333, 37.86667, “太原”),
City(91.00000, 29.60000, “拉萨”),
City(102.73333, 25.05000, “昆明”),
City(126.63333, 45.75000, “哈尔滨”),
City(113.65000, 34.76667, “郑州”),
City(113.50000, 22.20000, “澳门”)));
三、遗传算法解决旅行商问题
遗传算法（GeneticAlgorithm）是模拟达尔文生物进化论的自然选择和遗传学机理的生物进化过程的计算模型，通过模拟自然进化过程搜索最优解。遗传算法是从首先是初始化一个种群，然后根据适应性函数确定个体的适应度，由适应度来选择个体进行交叉，以某种概率让个体进行变异，从而不断选出适应度高的个体，进而更新种群。
算法流程如下所示。
#遗传算法
#1、确定种群规模，迭代次数，变异概率等
#2、初始化种群（初始化城市序列）
#3、计算个体适应度
#4、选择个体进行交叉
#5、选择个体进行变异
#6、用产生的新个体更新种群
#7、如果达到迭代次数则输出适应度最高的个体，否则回到第（3）步
#8、结束
3.1 相关代码:
#选择
#按照适应度从大到小排序，返回前population_size个子代
def select(self,fitness,generation,population_size):
original_fitness = copy.deepcopy(fitness)
fitness.sort(reverse=True)
new_generation = []
for i in range(population_size):
index = original_fitness.index(fitness[i])
new_generation.append(copy.deepcopy(generation[index]))
return new_generation
#遗传算法
#1、确定种群规模，迭代次数，变异概率等
#2、初始化种群（初始化城市序列）
#3、计算个体适应度
#4、选择个体进行交叉
#5、选择个体进行变异
#6、用产生的新个体更新种群
#7、如果达到迭代次数则输出适应度最高的个体，否则回到第（3）步
#8、结束
def genetic_algorithm(self):
#确定种群规模，迭代次数，变异概率等
population_size = 10
generations = 100000
mutation_probability = 0.01
fitness = [] #适应度列表
x = [] #迭代次数
y = [] #每轮迭代中最优子代对应的距离
coordinate = []#保留迭代的所有(x,y)
#初始化种群（初始化城市序列）
generation = []
# 给城市编号
citys_num = list(range(self.num))
for i in range(population_size):
# 打乱城市访问顺序
shuffle(citys_num)
generation.append(copy.deepcopy(citys_num))
#print(generation)
a = 0
while a < generations:
a += 1
#计算个体适应度,将适应度存入适应度列表
fitness.clear()
for i in range(len(generation)):
fitness.append(1/self.all_distance(generation[i]))
#输出迭代过程
max_fitness = max(fitness)
print(max_fitness)
print(1/max_fitness)
x.append(a)
y.append(1/max_fitness)
#将种群按照适应度从大到小排序，选取前population_size个体保留
generation = copy.deepcopy(self.select(fitness,generation,population_size))
# 4、选择个体进行交叉
parent1_list = []
parent2_list = []
#随机选择5个父一代，其余按顺序作为父二代
for i in range(int(population_size/2)):
tmp = random.randint(0, population_size - 1)
#如果tmp已经存在，继续随机
while tmp in parent1_list:
tmp = random.randint(0, population_size - 1)
parent1_list.append(tmp)
for i in range(population_size):
if i not in parent1_list:
parent2_list.append(i)
#交叉
children = []
index = []
for i in range(int(population_size/2)):
children.clear()
parent1 = generation[parent1_list[i]]
parent2 = generation[parent2_list[i]]
#随机取parent1中的城市加入children，并取parent2中的其他城市，顺序加入children
tmp = random.randint(1,self.num)#parent1中取城市的个数
index.clear()
for j in range(tmp):
temp = random.randint(0, self.num - 1)
# 如果temp已经存在，继续随机
while temp in index:
temp = random.randint(0, self.num - 1)
index.append(temp)
#取parent1中的城市加入children
for j in range(len(index)):
children.append(parent1[index[j]])
#取parent2中的其他城市，顺序加入children
for j in range(self.num):
if parent2[j] not in children:
children.append(parent2[j])
#0.01的概率发生变异
if random.randint(1,100) == 100*mutation_probability:
print("发生变异")
print("变异前:{}".format(children))
# 随机交换两城市顺序
c1 = random.randint(0, self.num-1)
c2 = random.randint(0, self.num-1)
temp = children[c1]
children[c1] = children[c2]
children[c2] = temp
print("变异后:{}".format(children))
#把子代加入种群
generation.append(copy.deepcopy(children))
# 输出最终适应度
print("最终适应度：{}".format(max_fitness))
print("最短距离：{}".format(1/max_fitness))
print("最短访问顺序:{}".format(generation[0]))
#最优子代迭代图
plt.title("genetic_algorithm")
plt.xlabel("generations")
plt.ylabel("distance")
plt.scatter(x, y, 1,)
# 连接各个点
for i in range(len(x) - 1):
start = (x[i], x[i+1])
end = (y[i],y[i+1])
plt.plot(start, end, color='#000000',linewidth=0.5)
plt.show()
self.drawPic(generation[0])
def prepare_for_hill_climbing_and_genetic_algorithm(self):
#读取34个城市坐标
#存放城市名和坐标的字典,valuse存放的是元组
data = xlrd.open_workbook('中国省会城市坐标.xlsx')
table = data.sheets()[0]
row = table.nrows
#城市数量
self.num = row
self.citys = {
}
self.citys_name = []
for i in range(row):
self.citys[table.cell_value(i,0)] = (table.cell_value(i,1),table.cell_value(i,2))
self.citys_name.append(table.cell_value(i,0))
#print(self.citys)
#print(self.citys_name)
#求两城市间的距离(欧氏距离)
def distance(self,city_a,city_b):
#dist代表距离
x = city_a[0] - city_b[0]
y = city_a[1] - city_b[1]
dist = (x**2 + y**2)**0.5
return dist
#根据访问顺序求总距离
def all_distance(self,citys_num):
#sum初始化为最后一个城市到第一个城市的距离
sum = self.distance(self.citys[self.citys_name[citys_num[0]]],self.citys[self.citys_name[citys_num[len(citys_num)-1]]])
for i in range(len(citys_num)-1):
citys_a = self.citys[self.citys_name[citys_num[i]]]
citys_b = self.citys[self.citys_name[citys_num[i+1]]]
sum += self.distance(citys_a,citys_b)
return sum
#画路线图
def drawPic(self,citys_num):
dots = []
for i in range(len(citys_num)):
temp = []
temp.append(self.citys[self.citys_name[citys_num[i]]][0])
temp.append(self.citys[self.citys_name[citys_num[i]]][1])
dots.append(temp)
temp = []
temp.append(self.citys[self.citys_name[citys_num[0]]][0])
temp.append(self.citys[self.citys_name[citys_num[0]]][1])
dots.append(temp)
plt.figure(figsize=(10, 6))
plt.xlim(85.00000, 130, 0.002) # x轴的刻度范围
plt.ylim(15, 50, 0.001) # y轴的刻度范围
plt.xlabel('城市经度', fontproperties="simhei") # x轴的标题
plt.ylabel('城市纬度', fontproperties="simhei") # y轴的标题
# 绘制各个点及点所代表地点名称
for i in range(len(dots) - 1):
plt.text(dots[i][0], dots[i][1], self.citys_name[citys_num[i]], color='#0085c3', fontproperties="simhei")
plt.plot(dots[i][0], dots[i][1], 'o', color='#0085c3')
# 连接各个点
for i in range(len(dots) - 1):
start = (dots[i][0], dots[i + 1][0])
end = (dots[i][1],dots[i + 1][1])
plt.plot(start, end, color='#000000')
plt.show()
3.2 运行结果:
城市数据:
北京 116.46 39.92
天津 117.2 39.13
上海 121.48 31.22
重庆 106.54 29.59
拉萨 91.11 29.97
乌鲁木齐 87.68 43.77
银川 106.27 38.47
呼和浩特 111.65 40.82
南宁 108.33 22.84
哈尔滨 126.63 45.75
长春 125.35 43.88
沈阳 123.38 41.8
石家庄 114.48 38.03
太原 112.53 37.87
西宁 101.74 36.56
济南 117 36.65
郑州 113.6 34.76
南京 118.78 32.04
合肥 117.27 31.86
杭州 120.19 30.26
福州 119.3 26.08
南昌 115.89 28.68
长沙 113 28.21
武汉 114.31 30.52
广州 113.23 23.16
台北 121.5 25.05
海口 110.35 20.02
兰州 103.73 36.03
西安 108.95 34.27
成都 104.06 30.67
贵阳 106.71 26.57
昆明 102.73 25.04
香港 114.1 22.2
澳门 113.33 22.13
四、总结
动态规划求解旅行商问题在解决城市数量较少时有着非常好的效果，可以求得准确解，但是当城市数量增多，比如遗传算法解决旅行商问题中的34个城市求最短路径问题，使用动态规划就需要大量的内存空间，dp数组大小将为34*(2^34)，显然这时再使用动态规划就不太现实。
爬山算法容易陷入局部最优解，这时可以采用
1、随机爬山法,它在上山移动中随机地选择下一步;选择的概率随上山移动的陡峭程度而变化。这种算法通常比最陡上升算法的收敛速度慢很多,但是在某些状态空间地形图上能找到更好的解。
2、首选爬山法,它在实现随机爬山法的基础上,采用的方式是随机地生成后继结点,直到生成一个优于当前结点的后继。这个算法在有很多后继结点的情况下有很好的效果。到现在为止,我们描述的爬山法算法还是不完备的—它们经常会在目标存在的情况下因为被局部极大值卡住而找不到该目标。还有一种值得提出的方法
3、随机重新开始的爬山法,它通过随机生成的初始状态进行一系列的爬山法搜索,找到目标时停止搜索。这个算法是完备的概率接近于1,原因是它最终会生成一个目标状态作为初始状态。
相对于爬山算法来说，遗传算法拥有更高的效率，能够解决更多城市的旅行商问题，并且很快就能收敛，求得近似解。
五、参考文章
用遗传算法求解旅行商问题
基于爬山算法求解TSP问题（JAVA）
旅行商问题（TSP）